MAI-Voice-2

Was ist MAI-Voice-2?

MAI-Voice-2 ist Microsoft AI’s Text-to-Speech-Modell für natürlich klingende Sprache aus Text. Laut Microsoft wurde es entwickelt, um im Vergleich zu MAI-Voice-1 Treue, Sprachabdeckung, Sprecherkonsistenz und emotionalen Ausdruck zu verbessern.

Das Modell ist für Produkte gedacht, bei denen die Sprachqualität die Erfahrung direkt beeinflusst, darunter Assistenten, Kundensupport-Systeme, Hörbücher und Accessibility-Anwendungen. Es ist in Microsoft Foundry verfügbar und wird außerdem in VSCode und Dynamics 365 Contact Center integriert.

Hauptfunktionen

• 15-Sprachen-Unterstützung — MAI-Voice-2 erweitert den Fokus über Englisch hinaus auf 15 Sprachen/Regionen, darunter Englisch, Hindi, Spanisch, Französisch, Deutsch und Japanisch?** Nein, in der Quelle nicht unterstützt.**
• Emotionssteuerung über Tags — Nutzer können Emotionstags wie traurig, geflüstert und begeistert anwenden, um die Ausgabe zu steuern.
• Zero-shot-Voice-Prompting — Das Modell kann 5–60 Sekunden Referenzaudio verwenden, um für alle unterstützten Sprachen eine Stimme zu prompten.
• Integrierte Zustimmungs-Schutzmechanismen — Microsoft sagt, dass das Modell Schutzmechanismen für referenzbasiertes Voice-Prompting enthält.
• Stabile Sprecheridentität — Das Modell ist darauf ausgelegt, dieselbe Stimme über lange Audioinhalte wie Hörbücher, Podcasts und Vorträge hinweg konsistent zu halten.
• Code-Switching in ausgewählten Sprachpaaren — Es unterstützt sprachwechsel innerhalb eines Satzes für Paare wie Hindi-Englisch und Spanisch-Englisch und bildet damit gemischte Sprachmuster ab.
• Natürliche Sprachgenerierung — Microsoft sagt, MAI-Voice-2 wurde in direkten Vergleichen 72 % der Zeit gegenüber MAI-Voice-1 bevorzugt.

So verwenden Sie MAI-Voice-2

Ein typischer Workflow beginnt damit, den zu sprechenden Text einzugeben und eine unterstützte Sprache oder Region auszuwählen. Wenn eine bestimmte Stimme benötigt wird, können Nutzer 5–60 Sekunden Referenzaudio bereitstellen und gegebenenfalls die verfügbaren Zustimmungs-Schutzmechanismen nutzen.

Anschließend können Nutzer die Ausgabe mit Emotionstags verfeinern oder Code-Switching für unterstützte Sprachpaare testen. Das Modell ist über Microsoft Foundry verfügbar; zusätzlich nennt Microsoft die Integration in VSCode und Dynamics 365 Contact Center.

Anwendungsfälle

• Virtuelle Assistenten — Erzeugen Sie Sprachantworten für Assistenten, bei denen konsistenter Ton und natürliche Formulierungen wichtig für die Nutzererfahrung sind.
• Kundensupport — Erstellen Sie gebrandete, kontrollierte Sprache für Support-Abläufe, die klare Ausgabe und eine vorhersehbare Sprecheridentität benötigen.
• Hörbücher und lange Erzählformate — Halten Sie über längere Inhalte wie Bücher, Podcasts oder Vorträge hinweg dieselbe Stimme und dasselbe Tempo bei.
• Accessibility-Anwendungen — Stellen Sie gesprochene Ausgabe für Oberflächen bereit, bei denen Sprache der primäre Interaktionsmodus ist.
• Mehrsprachige Inhalte — Verarbeiten Sie gemischte Sprachinhalte, insbesondere für Hindi-Englisch und Spanisch-Englisch, wenn natürliches Code-Switching wichtig ist.

FAQ

Was für ein Modell ist MAI-Voice-2? Es ist ein Text-to-Speech-Modell, das Sprache aus geschriebenem Text erzeugt.

Wie viele Sprachen unterstützt es? Laut Microsoft unterstützt es 15 Sprachen/Regionen, darunter Englisch, Italienisch, Französisch, Deutsch, Hindi, Spanisch, Portugiesisch, Koreanisch, Chinesisch (vereinfacht), Türkisch, Russisch, Thailändisch, Niederländisch, Rumänisch und Ungarisch, mit regionalen Varianten für einige Sprachen.

Kann es eine Referenzstimme verwenden? Ja. Microsoft sagt, dass Zero-shot-Voice-Prompting mit 5–60 Sekunden Referenzaudio für alle unterstützten Sprachen funktioniert.

Unterstützt es emotionale Sprechweise? Ja. Auf der Seite werden Emotionstags wie traurig, geflüstert und begeistert genannt.

Wo ist es verfügbar? Laut Microsoft ist es in Microsoft Foundry verfügbar und wird in VSCode und Dynamics 365 Contact Center integriert.

Alternativen

• Andere Cloud-Text-to-Speech-Dienste — Ähnliche Dienste großer Cloud-Anbieter können Sprachsynthese bieten, unterscheiden sich jedoch bei Sprachabdeckung, Stimmsteuerung und Produktintegration.
• Open-Source-TTS-Modelle — Diese können mehr Anpassung oder Self-Hosting-Optionen bieten, erfordern aber meist mehr Einrichtung und Betrieb.
• Klassische IVR- oder voraufgezeichnete Sprach-Workflows — Diese sind für feste Skripte einfacher, bieten aber nicht dieselbe dynamische Text-to-Speech-Flexibilität.
• Andere Voice-AI-Plattformen für Assistenten oder Support — Diese konzentrieren sich möglicherweise stärker auf Konversations-Workflows, Orchestrierung oder Call-Center-Tools als auf die Sprachgenerierung selbst.