Microsoft: MAI-Voice-2

Суть

MAI-Voice-2 — модель Microsoft AI для преобразования текста в речь. Она создаёт естественно звучащее, выразительное аудио и рассчитана в том числе на длинные генерации. При подготовке речи можно задавать тон и манеру подачи; также заявлена генерация реплик нескольких говорящих и использование короткого аудиофрагмента как образца голоса.

Сильные стороны

Модель ориентирована на выразительность и связное звучание при озвучивании протяжённого текста. Управление тоном и подачей помогает адаптировать речь под задачу — например, сделать её более нейтральной, разговорной или повествовательной. По описанию Microsoft, короткий голосовой образец можно использовать как ориентир для генерации; предусмотрены защитные механизмы, связанные с разрешённым использованием голосов и согласием их владельцев. Microsoft также отмечает низкую задержку генерации.

Типовые сценарии

Модель подходит для озвучивания диалогов и голосовых интерфейсов, повествования для видео и других медиаматериалов, образовательного контента и длинных текстов. Она может быть полезна в приложениях доступности, где письменный материал нужно представить в голосовой форме, а также в проектах с несколькими персонажами или ролями.

Ограничения

Это модель генерации речи из текста, а не универсальная система для распознавания или анализа аудио. Описания не дают оснований утверждать, что она одинаково подходит для любой задачи синтеза или обеспечивает конкретный уровень качества на каждом языке. Использование образцов и воспроизведение узнаваемых голосов должно соответствовать требованиям согласия и защитным правилам Microsoft. Подробности доступных настроек и условий работы зависят от используемого интерфейса.