Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 to model zamiany tekstu na mowę od Microsoft, wymieniony pod nazwą Microsoft AI. Należy do kategorii mowy i według opisu dostawcy jest najbardziej wiernym i najbardziej ekspresyjnym modelem zamiany tekstu na mowę firmy Microsoft. Jeśli Twoja aplikacja musi zamieniać pisany tekst na mowę, to jest rodzina modeli, którą Microsoft pozycjonuje do tego zadania, i jest dostępna na api14 obok innych modeli mowy.

Model przyjmuje tekst jako jedyne wejście i zwraca mowę jako jedyne wyjście. Obejmuje 23 języki, a lista głosów pokazuje szerokość tego pokrycia: czeski, duński, niemiecki, angielski australijski, brytyjski, indyjski i amerykański, hiszpański z Hiszpanii i Meksyku, fiński, francuski, francuski kanadyjski, hindi, węgierski, indonezyjski, włoski, koreański, norweski bokmål, niderlandzki, polski, portugalski brazylijski i europejski, rumuński, rosyjski, szwedzki, tajski, turecki, wietnamski i chiński. Kilka języków zawiera wiele nazwanych głosów, więc możesz wybrać konkretnego mówcę zamiast akceptować domyślnego. Dostawca opisuje wyjście jako naturalną mowę o jakości studyjnej, ze szczegółową prozodią, niuansową ekspresyjnością i spójnością mówcy w treściach długich. Dla tego modelu nie opublikowano długości kontekstu i nie udostępnia on żadnych obsługiwanych parametrów żądania.

Praktyczne zastosowania wynikają z tych cech. Narracja długoformatowa dobrze pasuje, ponieważ spójność mówcy jest zachowana w rozbudowanych treściach, co ma znaczenie dla audiobooków, kursów e-learningowych i dokumentacji czytanej na głos. Zakres głosów i języków odpowiada lokalizacji, gdzie ten sam scenariusz jest renderowany na kilku rynkach z różnymi mówcami. Ekspresyjna prozodia pomaga w interfejsach konwersacyjnych, voiceoverach i narzędziach wspomagającego czytania, gdzie płaska dostawa brzmi źle. Ponieważ wejściem jest zwykły tekst, możesz generować mowę z treści, które Twój system już produkuje, takich jak artykuły, odpowiedzi wsparcia lub powiadomienia.

Aby wywołać go przez api14, użyj identyfikatora modelu "microsoft/mai-voice-2.1" względem punktu końcowego zgodnego z OpenAI, tak samo jak wywołałbyś każdy inny model na bramie. Wysyłasz tekst i wybierasz głos z listy, na przykład en-US-Harper:MAI-Voice-2.1 lub de-DE-Klaus:MAI-Voice-2.1, a odpowiedzią jest audio mowy. Model nie zgłasza żadnych obsługiwanych parametrów żądania, więc nie ma pokręteł próbkowania ani generowania do dostrojenia; wybór głosu i tekst wejściowy kształtują wynik. Sprawdź bieżącą tabelę cen na stronie, aby poznać aktualne stawki, zanim zobowiążesz się do obciążenia.

Jedno ograniczenie warte uwagi to zakres. Ten model tylko produkuje mowę z tekstu. Nie przyjmuje wejścia audio, więc transkrypcja, tłumaczenie mowy lub konwersja mowa na mowę są poza tym, co robi, i potrzebowałbyś innego modelu do tych zadań. Nie generuje też tekstu, więc nie zastąpi modelu czatu ani uzupełniania w potoku. Jeśli Twoim wymaganiem jest wyjście tekstowe lub rozumienie audio, a nie generowanie audio, poszukaj gdzie indziej na api14.