MAI-Voice (プレビュー) とは

メモ

この機能は現在、パブリック プレビュー段階です。 このプレビュー版はサービス レベル アグリーメントなしで提供されています。運用環境のワークロードに使用することはお勧めできません。 特定の機能がサポートされていないか、機能が制限されている可能性があります。 詳細については、「Microsoft Azure プレビューの使用条件を参照してください。

MAI-Voice は、パブリック プレビューの Foundry Tools の Azure Speech で使用できるテキスト読み上げモデルのファミリです。 Microsoftの社内音声基盤モデルに基づいて構築された MAI-Voice モデルは、一貫した音声ペルソナ品質で表現力豊かな自然な音声出力を生成します。

Speech には、次の MAI-Voice モデルが用意されています。

モデル	音声カウント	主な特性	最適な用途
MAI-Voice-2-Flash	15 以上の言語にわたる事前構築済みの音声	超高速の低遅延、感情豊かで表現力の高い多言語、15 言語と 18 ロケール、インスタント音声複製 (ゲート)、SSML によるきめ細かい感情制御をサポート	リアルタイム音声エージェントとアシスタント、低遅延のコール センター/IVR フロー、多言語対話型エクスペリエンス
MAI-Voice-2	15 以上の言語にわたる事前構築済みの音声	感情豊かで表現力が高く、高忠実度の多言語音声。15言語・18ロケール対応、即時音声クローニング（制限付き）、話者の一貫性を保った長文生成、SSMLによるきめ細かな感情制御に対応。	表現力豊かな長い形式のコンテンツ、教育コンテンツ、オーディオブック/ポッドキャスト、ボイスオーバー

モデルの詳細

MAI-Voice-2-Flash

MAI-Voice-2-Flash は、高速で待機時間の短い生成用に構築されたテキスト読み上げモデルです。 15 の言語で高忠実性、自然性、表現力に優れた音声を生成し、リアルタイムの応答性を実現するために最適化されている一方で、ゲート付きのインスタント音声複製をサポートします。 人間のようなイントネーション、リズム、感情の微妙な差異により、音声エージェント、アシスタント、待機時間とコストが重要なその他の対話型シナリオに最適です。

SSML 経由で、また Voice Live 経由で Azure Speech SDK を使用して MAI-Voice-2-Flash と統合できます。

MAI-Voice-2

MAI-Voice-2 は、最も忠実で表現力の高いテキスト読み上げモデルであり、15 以上の言語で豊かで自然な音声を提供します。 幅広い多言語対応、制限付きのインスタント音声クローン、そして優れた長尺音声生成能力を追加し、MAI‑Voiceファミリーを拡充します。 詳細なプロソディ、微妙な表現力、スタジオグレードのオーディオ品質を備えたMAI-Voice-2は、長い形式のナレーション、ブランドを定義するオーディオなど、最大の音声品質と忠実性が必要なエクスペリエンスに最適です。

主な機能

MAI-Voice-2-Flash

主な機能	説明
超高速低遅延合成	非常に短い待機時間でリアルタイムのテキスト読み上げ用に構築され、対話型の音声シナリオに適しています。
忠実度の高い自然合成	人間のようなリズムとイントネーションを備えた、自然で表現力豊かで感情豊かで明瞭な音声出力を生成します。
多言語サポート	15 言語と 18 ロケールの合成をサポートします。
感情とスタイルコントロール	開発者は、 mstts:express-as や styleで SSML を使用して話し方に影響を与え、 joy、 excitement、 empathyなどの感情を制御できます。
即時クローニングによる音声プロンプティング（制限付き）	追加の学習を行うことなく、短い音声クリップ（5～60秒）から、使用許諾を得た参照音声に一致する音声を生成します。
音声ライブラリ	迅速な展開のためにすぐに動作する 15 以上の言語用のライセンスされた精選された音声が含まれています。
リアルタイム エージェントの最適化	応答性が重要な音声エージェント、アシスタント、IVR、コール センターの対話に最適化されています。

MAI-Voice-2

主な機能	説明
忠実度の高い自然合成	人間のようなリズムとイントネーションを備えた、自然で表現力豊かで感情豊かで明瞭な音声出力を生成します。
多言語サポート	15 言語と 18 ロケールの合成をサポートします。
感情とスタイルコントロール	開発者は、 mstts:express-as や styleで SSML を使用して話し方に影響を与え、 joy、 excitement、 empathyなどの感情を制御できます。
インスタントクローニング対応の音声プロンプティング（制限付き）	追加のトレーニングなしで、短い音声クリップ（5～60秒）から、ユーザーの同意を得た参照音声に一致する音声を生成します。
音声ライブラリ	迅速な展開のためにすぐに動作する 15 以上の言語用のライセンスされた精選された音声が含まれています。
高忠実度オーディオ	このモデルは、生産グレードのアプリケーションに適した自然なプロソディと明瞭さを備えた高品質の音声を生成します。
長い形式の生成	拡張コンテンツ全体で安定したペルソナ品質とスピーカーの一貫性を備えた長い形式のナレーション用に最適化されています。
対象外の注記	このモデルは、待機時間が重要なシナリオよりも自然性と表現性に優先順位を付けます。

前提 条件

MAI 関連モデルを使用するには、次の手順を実行します。

• Azure アカウント。 無料で作成します。
• MAI モデルをサポートするリージョンにある Speech リソース (サポートされているリージョン)。
• 音声プロンプトの場合は、 制限付きアクセス の承認と完全な同意保護を申請します。

---

SSML の例

MAI-Voice-2-Flash

例では、次の音声を使用します。

音声ID	性別
en-us-Harper:MAI-Voice-2-Flash	女性
en-us-Ethan:MAI-Voice-2-Flash	男性

基本的な SSML の例 (ハーパー):

<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='http://www.w3.org/2001/mstts' xml:lang='en-US'>
  <voice xml:lang='en-US' name='en-US-Harper:MAI-Voice-2-Flash'>
    hello world, it's very great
  </voice>
</speak>

基本的な SSML の例 (イーサン):

<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='http://www.w3.org/2001/mstts' xml:lang='en-US'>
  <voice xml:lang='en-US' name='en-US-Ethan:MAI-Voice-2-Flash'>
    hello world, it's very great, hello world, it's very great?
  </voice>
</speak>

SSML を使用した表現制御 mstts:express-as

<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='http://www.w3.org/2001/mstts' xml:lang='en-US'>
  <voice xml:lang='en-US' name='en-US-Ethan:MAI-Voice-2-Flash'>
    <mstts:express-as style="excited">
       hello world, it's very great, hello world, it's very great?
    </mstts:express-as>
  </voice>
</speak>

MAI-Voice-2

基本的な多言語 SSML

次の SSML は、 es-MX-Valeria:MAI-Voice-2を使用してスペイン語 (メキシコ) であいさつを合成します。

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="es-MX">
  <voice name="es-MX-Valeria:MAI-Voice-2">
    Hola, esta es una muestra de MAI Voice 2.
  </voice>
</speak>

SSML を使用した表現制御 mstts:express-as

MAI-Voice-2 では、きめ細かなコントロールに style 属性と styledegree 属性を使用して表現スタイルをサポートしています。

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="en-US">
  <voice name="en-US-Harper:MAI-Voice-2">
    <mstts:express-as style="happiness" styledegree="1.2">
      Welcome to Microsoft Build. MAI Voice 2 supports multilingual expressive synthesis.
    </mstts:express-as>
  </voice>
</speak>

サンプル コード

次のPython例は、Azure Speech SDK を使用して SSML を MP3 オーディオ ファイルに合成する方法を示しています。

# call Azure speech SDK to synthesize a SSML into mp3 audio file

import os
import time
import azure.cognitiveservices.speech as speechsdk

speech_key = os.environ.get('SUBSCRIPTION_SPEECH_KEY')
service_region = os.environ.get('SUBSCRIPTION_SPEECH_REGION')

# [generate]() audio with Azure TTS HD voices
def GenerateAudio(ssml, outaudio, development=False):
    # start time
    st = time.time()

    if development:
        print("Using development subscription key and endpoint.")
        # use development subscription key and endpoint
        # speech_config = speechsdk.SpeechConfig(subscription=os.getenv("SUBSCRIPTION_KEY_DEV"), region=os.getenv("SERVICE_REGION_DEV"))
        speech_config = speechsdk.SpeechConfig(
            subscription=os.getenv("SUBSCRIPTION_KEY_DEV"),
            endpoint="https://dev.tts-frontend.speech-test.microsoft.com/cognitiveservices/v1"
        )
    else:
        print("Using production subscription key and region.")
        speech_config = speechsdk.SpeechConfig(subscription=speech_key, region=service_region)

    # speech_config = speechsdk.SpeechConfig(subscription=os.getenv("SUBSCRIPTION_KEY_DEV"), endpoint="https://dev.tts-frontend.speech-test.microsoft.com/cognitiveservices/v1")

    # Creates an audio configuration that points to an audio file.
    audio_output = speechsdk.audio.AudioOutputConfig(filename=outaudio)

    # set output format
    speech_config.set_speech_synthesis_output_format(
        speechsdk.SpeechSynthesisOutputFormat.Audio24Khz160KBitRateMonoMp3
    )

    # Creates a speech synthesizer using the Azure Speech Service.
    speech_synthesizer = speechsdk.SpeechSynthesizer(
        speech_config=speech_config,
        audio_config=audio_output
    )

    # Synthesizes the received text to speech.
    result = speech_synthesizer.speak_ssml_async(ssml).get()

    if result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
        print("Speech synthesis was successful. Audio was written to '{}'".format(outaudio))
    elif result.reason == speechsdk.ResultReason.Canceled:
        cancellation_details = result.cancellation_details
        print("Speech synthesis canceled: {}".format(cancellation_details.reason))
        if cancellation_details.reason == speechsdk.CancellationReason.Error:
            if cancellation_details.error_details:
                print("Error details: {}".format(cancellation_details.error_details))
        print("Did you update the subscription info?")

    et = time.time()
    print("Time taken for synthesis: {:.2f} seconds".format(et - st))


if __name__ == "__main__":
    ssml = """
<speak
version='1.0' xmlns='http://www.w3.org/2001/10/synthesis'
xmlns:mstts='http://www.w3.org/2001/mstts' xml:lang='en-US'><voice
xml:lang='en-US' name='en-US-Ethan:MAI-Voice-2-Flash'>hello world, it's very
great, hello world, it's very great?</voice></speak>
    """

    outaudio = "Ethan-mai.mp3"
    GenerateAudio(ssml, outaudio, development=False)

    ssml = """
<speak
version='1.0' xmlns='http://www.w3.org/2001/10/synthesis'
xmlns:mstts='http://www.w3.org/2001/mstts' xml:lang='en-US'><voice
xml:lang='en-US' name='en-US-Harper:MAI-Voice-2-Flash'>hello world, it's
very great, hello world, it's very great?</voice></speak>
"""

    outaudio = "Harper-mai.mp3"
    GenerateAudio(ssml, outaudio, development=False)

カスタム音声 - パーソナルボイス/インスタント音声クローン（アクセス制限付き）

開発者は、短い参照クリップを使用するだけで、サポートされているすべての言語で Microsoft Foundry でカスタム音声を作成できます。再トレーニングや微調整は必要ありません。 わずか数秒の音声 (推奨: 5 ~ 60 秒) で、MAI-Voice-2 は話者の身元に一致する高品質の音声を生成するため、企業は個別の音声モデルを維持せずに自社のブランド音声を製品に簡単に取り込めます。

すべての MAI-Voice モデルでは、インスタント音声複製がサポートされています。 運用環境では、承認されたライセンスされた音声のみを合成できます。 ライセンスのない音声複製は不可能です。 この機能にアクセスするには

1. Azure AI カスタム ニューラル音声とカスタム アバター制限付きアクセス レビューを通じて、ゲート アクセスを申請します。
2. 承認されたら、cognitive-services-speech-sdk/samples/custom-voice で個人用音声 API にアクセスします。
3. オーディオの同意をアップロードし、個人の音声を作成するように求めます。
4. 作成された音声および MAI 関連モデルを使用して、次の SSML を使用して特定のテキストを合成します (下の例は 'MAI-voice-2' です)。

<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='http://www.w3.org/2001/mstts' xml:lang='en-US'>
  <voice name='MAI-voice-2'>
    <mstts:ttsembedding speakerProfileId='your speaker profile ID here'>
      I'm happy to hear that you find me amazing and that I have made your trip planning easier and more fun.
    </mstts:ttsembedding>
  </voice>
</speak>

事前構築済みの音声

MAI-Voice-2

MAI-Voice-2 は、複数の言語でロケール固有の事前構築済み音声を提供します。

音声名 (ShortName)	ロケール	Language	性別	サポートされているスタイル
de-DE-Klaus:MAI-Voice-2	de-DE	ドイツ語 (ドイツ)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
de-DE-Mia:MAI-Voice-2	de-DE	ドイツ語 (ドイツ)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
en-AU-Lisa:MAI-Voice-2	英語（オーストラリア）	英語 (オーストラリア)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
en-US-Ethan:MAI-Voice-2	en-US	英語 (米国)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
en-US-Grant:MAI-Voice-2	en-US	英語 (米国)	男性	—
en-US-ハーパー:MAI-Voice-2	en-US	英語 (米国)	女性	怒っている、混乱している、決意した、恥ずかしい、興奮している、幸せ、希望に満ちた、喜びにあふれた、後悔している、安心した、悲しい、叫んでいる、柔らかい声、ささやいている
en-US-Iris:MAI-Voice-2	en-US	英語 (米国)	女性	—
en-US-Jasper:MAI-Voice-2	en-US	英語 (米国)	男性	—
en-US-Olivia:MAI-Voice-2	en-US	英語 (米国)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
es-ES-マルタ:MAI-Voice-2	es-ES	スペイン語 (スペイン)	女性	冒険心のある, 思いやりのある, 共感的, 好奇心旺盛, 励みになる, 興奮した, フレンドリー, 明るい, ノスタルジック, 内省的, 悲しい, 失望した, 真面目な
es-MX-Alejo:MAI-Voice-2	es-MX	スペイン語 (メキシコ)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
es-MX-Valeria:MAI-Voice-2	es-MX	スペイン語 (メキシコ)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
fr-FR-Marc:MAI-Voice-2	fr-FR	フランス語 (フランス)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
fr-FR-Soleil:MAI-Voice-2	fr-FR	フランス語 (フランス)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
hi-IN-Arjun:MAI-Voice-2	hi-IN	ヒンディー語 (インド)	男性	怒った、困惑した、うんざりした、恥ずかしい、興奮した、恐れた、幸せな、希望に満ちた、嫉妬した、喜びに満ちた、後悔した、悲しい、驚いた
hi-IN-Dhruv:MAI-Voice-2	hi-IN	ヒンディー語 (インド)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
hi-IN-Kavya:MAI-Voice-2	hi-IN	ヒンディー語 (インド)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
hi-IN-Priya:MAI-Voice-2	hi-IN	ヒンディー語 (インド)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
hu-HU-Bence:MAI-Voice-2	hu-HU	ハンガリー語 (ハンガリー)	男性	—
hu-HU-Levente:MAI-Voice-2	hu-HU	ハンガリー語 (ハンガリー)	男性	—
hu-HU-Lilla:MAI-Voice-2	hu-HU	ハンガリー語 (ハンガリー)	女性	—
hu-HU-Réka:MAI-Voice-2	hu-HU	ハンガリー語 (ハンガリー)	女性	—
it-IT-Luca:MAI-Voice-2	it-IT	イタリア語 (イタリア)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
it-IT-Rosa:MAI-Voice-2	it-IT	イタリア語 (イタリア)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
ko-KR-Hana:MAI-Voice-2	ko-KR	韓国語 (韓国)	女性	怒った, 混乱した, 決意した, 恥ずかしい, 興奮した, 幸せ, 希望に満ちた, 喜びに満ちた, 後悔した, 安心した, 悲しい, やわらかい声, 驚いた
ko-KR-Junho:MAI-Voice-2	ko-KR	韓国語 (韓国)	男性	怒り、戸惑い、決意、恥ずかしさ、興奮、喜び、希望、嬉しさ、安堵、悲しみ、優しい声
nl-NL-Fleur:MAI-Voice-2	nl-NL	オランダ語 (オランダ)	女性	—
nl-NL-Sander:MAI-Voice-2	nl-NL	オランダ語 (オランダ)	男性	冒険心のある, 思いやりのある, 共感的, 好奇心旺盛, 励みになる, 興奮した, フレンドリー, 明るい, ノスタルジック, 内省的, 悲しい, 失望した, 真面目な
pt-BR-Caio:MAI-Voice-2	pt-BR	ポルトガル語 (ブラジル)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
pt-BR-Luana:MAI-Voice-2	pt-BR	ポルトガル語 (ブラジル)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
pt-BR-Pedro:MAI-Voice-2	pt-BR	ポルトガル語 (ブラジル)	男性	戸惑い、決意、恥ずかしさ、興奮、喜び、希望、嬉しさ、後悔、安堵、悲しみ、優しい声、驚き
pt-BR-Rafael:MAI-Voice-2	pt-BR	ポルトガル語 (ブラジル)	男性	怒った, 混乱した, 決意した, 恥ずかしい, 興奮した, 幸せ, 希望に満ちた, 喜びに満ちた, 後悔した, 安心した, 悲しい, やわらかい声, 驚いた
pt-PT-Rui:MAI-Voice-2	pt-PT	ポルトガル語 (ポルトガル)	男性	怒った, 混乱した, 決意した, 恥ずかしい, 興奮した, 幸せ, 希望に満ちた, 喜びに満ちた, 後悔した, 安心した, 悲しい, やわらかい声, 驚いた
ro-RO-Andrei:MAI-Voice-2	ro-RO	ルーマニア語 (ルーマニア)	男性	—
ro-RO-Elena:MAI-Voice-2	ro-RO	ルーマニア語 (ルーマニア)	女性	—
ro-RO-Ioana:MAI-Voice-2	ro-RO	ルーマニア語 (ルーマニア)	女性	—
ro-RO-Radu:MAI-Voice-2	ro-RO	ルーマニア語 (ルーマニア)	男性	—
ru-RU-Lev:MAI-Voice-2	ru-RU	ロシア語 (ロシア)	男性	冒険心のある, 思いやりのある, 共感的, 好奇心旺盛, 励みになる, 興奮した, フレンドリー, 明るい, ノスタルジック, 内省的, 悲しい, 失望した, 真面目な
ru-RU-Masha:MAI-Voice-2	ru-RU	ロシア語 (ロシア)	女性	冒険心のある, 思いやりのある, 共感的, 好奇心旺盛, 励みになる, 興奮した, フレンドリー, 明るい, ノスタルジック, 内省的, 悲しい, 失望した, 真面目な
th-TH-Krit:MAI-Voice-2	th-TH	タイ語 (タイ)	男性	冒険心のある, 思いやりのある, 共感的, 好奇心旺盛, 励みになる, 興奮した, フレンドリー, 明るい, ノスタルジック, 内省的, 悲しい, 失望した, 真面目な
th-TH-Nattapong:MAI-Voice-2	th-TH	タイ語 (タイ)	男性	冒険心のある, 思いやりのある, 共感的, 好奇心旺盛, 励みになる, 興奮した, フレンドリー, 明るい, ノスタルジック, 内省的, 悲しい, 失望した, 真面目な
tr-TR-Aydin:MAI-Voice-2	tr-TR	トルコ語 (トルコ)	男性	冒険心のある, 思いやりのある, 共感的, 好奇心旺盛, 励みになる, 興奮した, フレンドリー, 明るい, ノスタルジック, 内省的, 悲しい, 失望した, 真面目な
tr-TR-Elif:MAI-Voice-2	tr-TR	トルコ語 (トルコ)	女性	冒険心のある, 思いやりのある, 共感的, 好奇心旺盛, 励みになる, 興奮した, フレンドリー, 明るい, ノスタルジック, 内省的, 悲しい, 失望した, 真面目な
zh-CN-Bo:MAI-Voice-2	zh-CN	中国語 (標準、簡体字)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
zh-CN-Lan:MAI-Voice-2	zh-CN	中国語 (標準、簡体字)	女性	怒り、混乱、嫌悪感、恥ずかしい、興奮した、恐ろしい、幸せ、喜び、悲しい、驚いた
zh-CN-Mei:MAI-Voice-2	zh-CN	中国語 (標準、簡体字)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき

メモ

上記の表に示されている音声は、現在公開されている MAI-Voice-2 事前構築済みの音声です。 モデル カードは、10 以上の言語でのサポートを示します。 Microsoftでは、一般提供されるにつれてロケールと音声が追加されます。

MAI-Voice-2-Flash

音声名 (ShortName)	ロケール	Language	性別	サポートされているスタイル
de-DE-Klaus:MAI-Voice-2-Flash	de-DE	ドイツ語 (ドイツ)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
de-DE-Mia:MAI-Voice-2-Flash	de-DE	ドイツ語 (ドイツ)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
en-AU-Isla:MAI-Voice-2-Flash	英語（オーストラリア）	英語 (オーストラリア)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
en-US-Ethan:MAI-Voice-2-Flash	en-US	英語 (米国)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
en-US-ハーパー:MAI-Voice-2-Flash	en-US	英語 (米国)	女性	怒っている、混乱している、決意した、恥ずかしい、興奮している、幸せ、希望に満ちた、喜びにあふれた、後悔している、安心した、悲しい、叫んでいる、柔らかい声、ささやいている
en-US-Olivia:MAI-Voice-2-Flash	en-US	英語 (米国)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
es-ES-マルタ:MAI-Voice-2-Flash	es-ES	スペイン語 (スペイン)	女性	冒険的、思いやりのある、共感的、好奇心旺盛、励ますような、わくわくした、フレンドリーな、陽気な、ノスタルジックな、内省的な、悲しい、失望した、真剣な
es-MX-Alejo:MAI-Voice-2-Flash	es-MX	スペイン語 (メキシコ)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
es-MX-Valeria:MAI-Voice-2-Flash	es-MX	スペイン語 (メキシコ)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
fr-FR-Marc:MAI-Voice-2-Flash	fr-FR	フランス語 (フランス)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
fr-FR-Soleil:MAI-Voice-2-Flash	fr-FR	フランス語 (フランス)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
hi-IN-Arjun:MAI-Voice-2-Flash	hi-IN	ヒンディー語 (インド)	男性	怒った、困惑した、うんざりした、恥ずかしい、興奮した、恐れた、幸せな、希望に満ちた、嫉妬した、喜びに満ちた、後悔した、悲しい、驚いた
hi-IN-Dhruv:MAI-Voice-2-Flash	hi-IN	ヒンディー語 (インド)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
hi-IN-Kavya:MAI-Voice-2-Flash	hi-IN	ヒンディー語 (インド)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
hi-IN-Priya:MAI-Voice-2-Flash	hi-IN	ヒンディー語 (インド)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
hu-HU-Bence:MAI-Voice-2-Flash	hu-HU	ハンガリー語 (ハンガリー)	男性	—
hu-HU-Levente:MAI-Voice-2-Flash	hu-HU	ハンガリー語 (ハンガリー)	男性	—
hu-HU-Lilla:MAI-Voice-2-Flash	hu-HU	ハンガリー語 (ハンガリー)	女性	—
hu-HU-Réka:MAI-Voice-2-Flash	hu-HU	ハンガリー語 (ハンガリー)	女性	—
it-IT-Luca:MAI-Voice-2-Flash	it-IT	イタリア語 (イタリア)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
it-IT-Rosa:MAI-Voice-2-Flash	it-IT	イタリア語 (イタリア)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
ko-KR-Haena:MAI-Voice-2-Flash	ko-KR	韓国語 (韓国)	女性	怒った, 混乱した, 決意した, 恥ずかしい, 興奮した, 幸せ, 希望に満ちた, 喜びに満ちた, 後悔した, 安心した, 悲しい, やわらかい声, 驚いた
ko-KR-Junho:MAI-Voice-2-Flash	ko-KR	韓国語 (韓国)	男性	怒り、戸惑い、決意、恥ずかしさ、興奮、喜び、希望、嬉しさ、安堵、悲しみ、優しい声
nl-NL-Sander:MAI-Voice-2-Flash	nl-NL	オランダ語 (オランダ)	男性	冒険的, 思いやりのある, 共感的, 好奇心旺盛, 励みになる, 興奮した, フレンドリーな, 陽気な, ノスタルジック, 内省的, 悲しい, 失望した, 深刻
pt-BR-Caio:MAI-Voice-2-Flash	pt-BR	ポルトガル語 (ブラジル)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
pt-BR-Luana:MAI-Voice-2-Flash	pt-BR	ポルトガル語 (ブラジル)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
pt-BR-Pedro:MAI-Voice-2-Flash	pt-BR	ポルトガル語 (ブラジル)	男性	戸惑い、決意、恥ずかしさ、興奮、喜び、希望、嬉しさ、後悔、安堵、悲しみ、優しい声、驚き
pt-BR-Rafael:MAI-Voice-2-Flash	pt-BR	ポルトガル語 (ブラジル)	男性	怒った, 混乱した, 決意した, 恥ずかしい, 興奮した, 幸せ, 希望に満ちた, 喜びに満ちた, 後悔した, 安心した, 悲しい, やわらかい声, 驚いた
pt-PT-Rui:MAI-Voice-2-Flash	pt-PT	ポルトガル語 (ポルトガル)	男性	怒った, 混乱した, 決意した, 恥ずかしい, 興奮した, 幸せ, 希望に満ちた, 喜びに満ちた, 後悔した, 安心した, 悲しい, やわらかい声, 驚いた
ro-RO-Andrei:MAI-Voice-2-Flash	ro-RO	ルーマニア語 (ルーマニア)	男性	—
ro-RO-Elena:MAI-Voice-2-Flash	ro-RO	ルーマニア語 (ルーマニア)	女性	—
ro-RO-Ioana:MAI-Voice-2-Flash	ro-RO	ルーマニア語 (ルーマニア)	女性	—
ro-RO-Radu:MAI-Voice-2-Flash	ro-RO	ルーマニア語 (ルーマニア)	男性	—
ru-RU-Lev:MAI-Voice-2-Flash	ru-RU	ロシア語 (ロシア)	男性	冒険的, 思いやりがある, 共感力がある, 好奇心旺盛, 励みになる, わくわくした, 親しみやすい, 明るい, ノスタルジック, 内省的, 悲しい, 失望した, 真面目
ru-RU-Masha:MAI-Voice-2-Flash	ru-RU	ロシア語 (ロシア)	女性	冒険的な, 思いやりのある, 共感力のある, 好奇心旺盛な, 励ましてくれる, 興奮した, 親しみやすい, 明るい, ノスタルジックな, 内省的な, 悲しい, 失望した, 真剣な
th-TH-Krit:MAI-Voice-2-Flash	th-TH	タイ語 (タイ)	男性	冒険的, 思いやり, 共感, 好奇心旺盛, 励ましに満ちた, 興奮した, フレンドリー, 陽気, ノスタルジック, 内省的, 悲しい, 失望した, 深刻
th-TH-Nattapong:MAI-Voice-2-Flash	th-TH	タイ語 (タイ)	男性	冒険的、思いやりがある、共感的、好奇心旺盛、励みになる、興奮した、フレンドリー、陽気な、ノスタルジック、内省的、悲しい、がっかりした、真面目な
tr-TR-Aydın:MAI-Voice-2-Flash	tr-TR	トルコ語 (Türkiye)	男性	冒険的な, 思いやりのある, 共感, 好奇心旺盛な, 励ましになる, 興奮した, フレンドリーな, 陽気な, ノスタルジックな, 内省的な, 悲しい, がっかりした, シリアスな
tr-TR-Elif:MAI-Voice-2-Flash	tr-TR	トルコ語 (Türkiye)	女性	冒険的な, 思いやりのある, 共感的な, 好奇心旺盛な, 励みになる, わくわくした, フレンドリーな, 陽気な, ノスタルジックな, 内省的な, 悲しい, 失望した, 真剣な
zh-CN-Bo:MAI-Voice-2-Flash	zh-CN	中国語 (標準、簡体字)	男性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
zh-CN-Lan:MAI-Voice-2-Flash	zh-CN	中国語 (標準、簡体字)	女性	怒り、混乱、嫌悪感、恥ずかしい、興奮した、恐ろしい、幸せ、喜び、悲しい、驚いた
zh-CN-Mei:MAI-Voice-2-Flash	zh-CN	中国語 (標準、簡体字)	女性	怒り、困惑、決意、嫌悪、恥ずかしさ、興奮、恐怖、喜び、希望、嫉妬、歓喜、後悔、安堵、悲しみ、叫び、優しい声、驚き、ささやき
zh-CN-Wei:MAI-Voice-2-Flash	zh-CN	中国語 (標準、簡体字)	男性	怒った、困惑した、うんざりした、恥ずかしい、興奮した、恐れた、幸せな、希望に満ちた、嫉妬した、喜びに満ちた、後悔した、悲しい、驚いた

使用法: サード パーティの開発者が利用できます。 Microsoftは、商用使用のための完全なライセンス権を保持します。

MAI-Voice モデルを使用する

MAI-Voice モデルでは、他のAzureニューラル音声や HD 音声と同じAzure Speech API と SDK が使用されます。 SSML name 要素の<voice>属性で音声名を使用します。 使用可能な名前については、前のセクションの事前構築済みの音声テーブルを参照してください。

Foundry ポータルで MAI-Voice 音声を試します。

1. テキスト読み上げ機能ページにアクセスし、プレイグラウンドで開く を選択します。
2. [音声] ドロップダウンから MAI-Voice 音声を選択します。
3. テキスト ボックスにサンプル テキストを入力します。
4. 合成された音声を読み上げるには、[ 再生 ] を選択します。

SSML POST 要求を Speech リソースの cognitiveservices/v1 エンドポイントに送信します。 YourRegionを Speech リソース リージョンに置き換え、<YourSpeechResourceKey>をリソース キーに置き換えます。

curl -X POST \
  "https://YourRegion.tts.speech.microsoft.com/cognitiveservices/v1" \
  --header "Content-Type: application/ssml+xml" \
  --header "X-Microsoft-OutputFormat: audio-24khz-160kbitrate-mono-mp3" \
  --header "Ocp-Apim-Subscription-Key: <YourSpeechResourceKey>" \
  --data '<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="en-US">
  <voice name="en-US-Harper:MAI-Voice-2">
    Hello, this is a sample from MAI Voice.
  </voice>
</speak>' \
  --output output.mp3

音声名を、上記の事前構築済みの音声テーブルの MAI-Voice 音声に置き換えます。

次のコードでは、Azure Speech SDK を使用して音声を合成し、オーディオをoutput.mp3に保存します。 <key>を Speech リソース キーに置き換えます。

import azure.cognitiveservices.speech as speechsdk

speech_config = speechsdk.SpeechConfig(
    subscription="<key>", region="eastus"
)
audio_config = speechsdk.audio.AudioOutputConfig(filename="output.mp3")
speech_config.set_speech_synthesis_output_format(
    speechsdk.SpeechSynthesisOutputFormat.Audio24Khz160KBitRateMonoMp3
)
synthesizer = speechsdk.SpeechSynthesizer(
    speech_config=speech_config, audio_config=audio_config
)

ssml = """
<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='http://www.w3.org/2001/mstts' xml:lang='en-US'>
  <voice name='en-US-Harper:MAI-Voice-2-Flash'>
    <mstts:express-as style="excitement">Hello world.</mstts:express-as>
  </voice>
</speak>
"""

synthesizer.speak_ssml_async(ssml).get()

成功すると、 output.mp3 ファイルが現在のディレクトリに保存されます。 音声名を、上記の事前構築済みの音声テーブルの MAI-Voice 音声に置き換えます。

テキスト読み上げのクイックスタートに従ってください。 SSML では、name要素の<voice>属性で MAI-Voice 音声名を使用します。 使用可能な名前については、上記の事前構築済みの音声テーブルを参照してください。

テキスト読み上げのクイックスタートに従ってください。 SSML では、name要素の<voice>属性で MAI-Voice 音声名を使用します。 使用可能な名前については、上記の事前構築済みの音声テーブルを参照してください。

テキスト読み上げのクイックスタートに従ってください。 SSML では、name要素の<voice>属性で MAI-Voice 音声名を使用します。 使用可能な名前については、上記の事前構築済みの音声テーブルを参照してください。

次の手順

• 音声合成マークアップ言語 (SSML) の概要
• テキスト読み上げの概要
• 高解像度 (HD) 音声