Microsoft AI: MAI-Voice-2.1

O MAI-Voice-2.1 é um modelo de conversão de texto em fala da Microsoft, listado sob o nome Microsoft AI. Ele está na categoria de fala, e é o modelo de conversão de texto em fala de maior fidelidade e mais expressivo da Microsoft, segundo a descrição do fornecedor. Se a sua aplicação precisa transformar texto escrito em áudio falado, esta é a família de modelos que a Microsoft posiciona para essa função, e está disponível na api14 juntamente com outros modelos de fala.

O modelo recebe texto como única entrada e devolve fala como única saída. Abrange 23 idiomas, e a lista de vozes mostra a amplitude dessa cobertura: checo, dinamarquês, alemão, inglês australiano, britânico, indiano e americano, espanhol de Espanha e do México, finlandês, francês, francês canadiano, hindi, húngaro, indonésio, italiano, coreano, norueguês bokmål, neerlandês, polaco, português do Brasil e europeu, romeno, russo, sueco, tailandês, turco, vietnamita e chinês. Vários idiomas incluem múltiplas vozes nomeadas, pelo que pode escolher um locutor específico em vez de aceitar uma predefinição. O fornecedor descreve a saída como fala natural, com qualidade de estúdio, prosódia detalhada, expressividade matizada e consistência do locutor em conteúdo longo. Não é publicada qualquer extensão de contexto para este modelo, e ele não expõe quaisquer parâmetros de pedido suportados.

Os usos práticos decorrem dessas características. A narração de conteúdo longo é uma boa opção, uma vez que a consistência do locutor é mantida ao longo de conteúdo extenso, o que é importante para audiolivros, cursos de aprendizagem eletrónica e documentação lida em voz alta. A variedade de vozes e idiomas é adequada para localização, em que o mesmo guião é reproduzido em vários mercados com locutores diferentes. A prosódia expressiva ajuda em interfaces conversacionais, locuções e ferramentas de leitura assistida em que uma entrega monótona soa mal. Como a entrada é texto simples, pode gerar fala a partir de conteúdo que o seu sistema já produz, como artigos, respostas de apoio ou notificações.

Para o chamar através da api14, use o id de modelo "microsoft/mai-voice-2.1" no endpoint compatível com OpenAI, da mesma forma que chamaria qualquer outro modelo no gateway. Envia texto e seleciona uma voz da lista, por exemplo en-US-Harper:MAI-Voice-2.1 ou de-DE-Klaus:MAI-Voice-2.1, e a resposta é áudio de fala. O modelo não reporta quaisquer parâmetros de pedido suportados, pelo que não há opções de amostragem ou geração para ajustar; a seleção da voz e o texto de entrada são o que molda o resultado. Consulte a tabela de preços em direto na página para obter as tarifas atuais antes de assumir um volume de trabalho.

Um limite que vale a pena notar é o âmbito. Este modelo apenas produz fala a partir de texto. Não aceita entrada de áudio, pelo que transcrição, tradução de áudio falado ou conversão de fala para fala estão fora do que ele faz, e precisaria de um modelo diferente para essas tarefas. Também não gera texto, pelo que não substituirá um modelo de chat ou de conclusão num pipeline. Se o seu requisito é saída de texto ou compreensão de áudio em vez de geração de áudio, procure noutro lugar na api14.