Microsoft AI: MAI-Voice-2.1-Flash

MAI-Voice-2.1-Flash é um modelo de conversão de texto em fala da Microsoft AI, parte da família MAI-Voice. Situa-se na categoria de fala e foi criado para síntese de baixa latência, que a Microsoft descreve como otimizada para capacidade de resposta em tempo real. Se já trabalha com modelos da Microsoft AI, este é a contraparte de geração de voz dos seus modelos de texto, e é servido através do api14 juntamente com o resto do catálogo.

O modelo recebe texto como única entrada e devolve fala como única saída. Não há um valor de janela de contexto publicado para ele, e o valor máximo de saída listado é zero, por isso trate-o como um endpoint de síntese e não como um modelo conversacional: envia texto, recebe áudio de volta. O fornecedor descreve a saída como natural e expressiva, com entoação, ritmo e nuance emocional semelhantes aos humanos. A cobertura abrange 23 idiomas, e a lista de vozes é onde essa amplitude se torna concreta. Cada voz é nomeada com um locale, um nome de falante e o sufixo do modelo, por exemplo en-US-Harper, de-DE-Klaus, fr-FR-Soleil, pt-BR-Luana, hi-IN-Kavya, ko-KR-Junho, zh-CN-Mei, e muitas mais. Alguns locales oferecem vários falantes distintos, enquanto outros partilham um conjunto mais pequeno, e alguns nomes como Grant e Harper repetem-se em muitos idiomas.

Os usos práticos decorrem diretamente de texto a entrar e fala a sair, com baixa latência. As aplicações em tempo real são o encaixe óbvio: assistentes de voz e interfaces de chat que precisam de responder em voz alta sem uma pausa incómoda, agentes interativos, e qualquer pipeline em que a síntese acontece no caminho crítico de uma interação com o utilizador. Como o modelo cobre 23 idiomas com vários falantes por locale, também se adequa a trabalho de localização, gerando narração ou áudio de interface para vários mercados a partir de uma única integração, em vez de juntar fornecedores separados por idioma. A produção de conteúdo é outro ângulo: transformar guiões, artigos ou documentação em áudio falado, e escolher uma voz por locale para que o resultado soe nativo em vez de traduzido. A alegação de entoação expressiva é mais importante para tudo o que é voltado para o utilizador, onde uma entrega monótona seria notada.

Chama-o através da API compatível com OpenAI do api14 usando o id de modelo microsoft/mai-voice-2.1-flash. Como a interface segue a forma da OpenAI, pode apontar um cliente OpenAI existente para o URL base do api14 e trocar a string do modelo, o que mantém o trabalho de migração reduzido. A lista de parâmetros suportados para este modelo está vazia, por isso não assuma que os controlos de amostragem habituais, como temperature ou top_p, serão aceites; verifique o esquema em tempo real antes de os enviar. A seleção de voz é o parâmetro que importa aqui, e os valores válidos são os identificadores completos de voz da lista, por exemplo en-US-Iris:MAI-Voice-2.1-Flash ou códigos de locale no estilo ja, como es-MX-Valeria:MAI-Voice-2.1-Flash. Passe o texto que quer que seja falado como input, defina a voz, e leia o áudio a partir da resposta.

Não há comprimento de contexto publicado, por isso documentos longos devem ser divididos em blocos antes da síntese em vez de enviados como um único pedido. Se a sua tarefa é transcrição ou compreensão de fala em vez de geração, este modelo é a direção errada, uma vez que só aceita texto. E se precisa de um modelo geral de chat ou de raciocínio, procure noutro lugar do catálogo; MAI-Voice-2.1-Flash faz um único trabalho, transformar texto em fala nos seus idiomas e vozes suportados.