Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 är en text-till-tal-modell från Microsoft, listad under namnet Microsoft AI. Den tillhör kategorin tal, och enligt leverantörens beskrivning är det Microsofts mest högupplösta och mest uttrycksfulla text-till-tal-modell. Om din applikation behöver omvandla skriven text till talat ljud är detta den modellfamilj som Microsoft positionerar för den uppgiften, och den finns tillgänglig på api14 tillsammans med andra talmodeller.

Modellen tar text som enda indata och returnerar tal som enda utdata. Den täcker 23 språk, och röstlistan visar bredden i den täckningen: tjeckiska, danska, tyska, australisk, brittisk, indisk och amerikansk engelska, spanska från Spanien och Mexiko, finska, franska, kanadensisk franska, hindi, ungerska, indonesiska, italienska, koreanska, norskt bokmål, nederländska, polska, brasiliansk och europeisk portugisiska, rumänska, ryska, svenska, thailändska, turkiska, vietnamesiska och kinesiska. Flera språk innehåller flera namngivna röster, så du kan välja en specifik talare i stället för att acceptera en standard. Leverantören beskriver utdata som naturligt tal av studio kvalitet med detaljerad prosodi, nyanserad uttrycksfullhet och talarkonsekvens över långt innehåll. Ingen kontextlängd publiceras för denna modell, och den exponerar inga stödda begäranparametrar.

De praktiska användningsområdena följer av dessa egenskaper. Lång narration passar bra, eftersom talarkonsekvens bibehålls över längre innehåll, vilket är viktigt för ljudböcker, e-kurser och dokumentation som läses upp. Utbudet av röster och språk passar lokalisering, där samma manus återges på flera marknader med olika talare. Uttrycksfull prosodi hjälper i konversationsgränssnitt, voiceovers och hjälpmedel för uppläsning där platt framförande låter fel. Eftersom indata är vanlig text kan du generera tal från innehåll som ditt system redan producerar, till exempel artiklar, support svar eller aviseringar.

För att anropa den via api14 använder du modell-id:t "microsoft/mai-voice-2.1" mot den OpenAI-kompatibla slutpunkten, på samma sätt som du skulle anropa vilken annan modell som helst på gatewayen. Du skickar text och väljer en röst från listan, till exempel en-US-Harper:MAI-Voice-2.1 eller de-DE-Klaus:MAI-Voice-2.1, och svaret är tal ljud. Modellen rapporterar inga stödda begäranparametrar, så det finns inga sampling- eller genereringsrattar att justera; röstvalet och indatatexten är det som formar resultatet. Kontrollera den aktuella pristabellen på sidan för gällande priser innan du binder dig till en arbetsbelastning.

En begränsning värd att notera är omfattningen. Denna modell producerar endast tal från text. Den accepterar inte ljudindata, så transkription, översättning av talat ljud eller tal-till-tal-konvertering ligger utanför vad den gör, och du skulle behöva en annan modell för dessa uppgifter. Den genererar inte heller text, så den kommer inte att ersätta en chatt- eller kompletteringsmodell i en pipeline. Om ditt krav är textutdata eller ljudförståelse snarare än ljudgenerering, leta någon annanstans på api14.