Microsoft real vaxt rejimində transkripsiya və səs sintezi üçün üç yeni AI modeli buraxdı

Microsoft oktyabrın 1-də üç yeni AI modeli buraxdı: real vaxt rejimində transkripsiya modeli MAI-Transcribe-2-Streaming və nitq sintezinin iki modeli, MAI-Voice-2.1 və MAI-Voice-2.1-Flash.

Striminq transkripsiya: 60 dil və rekord dəqiqlik

MAI-Transcribe-2-Streaming şirkətin ilk striminq transkripsiya modelidir: o, audio axınını fasiləsiz qəbul edir və mətni danışan söhbəti bitirməzdən əvvəl qaytarır. Model 60 dildə işləyir, onları avtomatik tanıyır və Microsoft-un məlumatına görə, Artificial Analysis reytinqində yekun və qismən transkriptlərin dəqiqliyinə görə birinci yerdədir. 28 sentyabr liderborduna görə, yekun mətnin xətası (WER) 2,5%, ilk qismən nəticənin xətası 2,8%, yekun transkriptə qədər vaxt isə 0,13 saniyədir.

İlk hipotezləri (partials) model audio qəbulundan 100 millisaniyədən bir az çox vaxt sonra qaytarır, sözlər isə transkriptdə əksər hallarda 320 millisaniyədə görünür. Şirkətin qiymətləndirməsinə görə, diktə və altyazılar zamanı sözlər ən yaxın rəqiblə müqayisədə iki dəfə daha sürətli görünür. Giriş qiyməti audio saatı üçün 0,54 dollardır və ilin sonuna qədər qüvvədədir.

Nitq sintezinin iki modeli

MAI-Voice-2.1 şirkətin ən güclü çoxdilli nitq sintezi modelidir: o, 23 dil və 26 lokalda işləyir, bir səs isə onların hamısında ana aksentlə danışır. Qiyməti 1 milyon simvol üçün 22 dollardır.

MAI-Voice-2.1-Flash eyni dillərdə işləyir, lakin yüksək yükləmə və aşağı gecikmə tapşırıqları üçün gücləndirilib: 45 saniyəyə qədər audio yaradır, ümumi gecikmə isə 150 millisaniyədir. Bənzər modellərdən 55% daha sürətli və təxminən 60% ucuzdur; qiyməti 1 milyon simvol üçün 15 dollardır.

Hər ikisi bir neçə saniyəlik audio əsasında səs klonlaşdırmasını istənilən dəstəklənən dildə edə bilir; daxili mexanizmlər sui-istifadəni məhdudlaşdırır. 4000 dinləyicinin iştirakı ilə keçirilən Türinq testində respondentlərin 50,3%-i MAI-Voice səsini insan yazıları səviyyəsində və ya daha insani qiymətləndirdi.

Bunun bazar üçün mənası

Səs agentinin işi tsikl üzrə gedir: dinləmə, anlama, qərar qəbul etmə və cavab. Microsoft-un sözlərinə görə, MAI-Transcribe-2-Streaming və MAI-Voice-2.1-Flash cütlüyü bu tsiklin hər iki ucunda vaxt qənaət edir və agentə düşünmək üçün daha çox yer qoyur. Şirkət onları kontakt mərkəzlərə, çoxdilli assistentlərə və təhsil tətbiqlərinə təklif edir.

RuntimeWire-ın təhlilinə görə, yeni model sentyabrda buraxılmış qeyri-striminq MAI-Transcribe-2-dən 5,4 dəfə bahadır (saatda 0,10-dan 0,54 dollara qədər), baxmayaraq ki, bu fərqli yükləmə növüdür və köhnə qiymət müvəqqəti idi. Nəşr qeyd edir ki, gecikmə göstəriciləri modelin, bütün sistemin deyil, imkanlarını təsvir edir.

Microsoft AI rəhbəri Mustafa Suleyman X-də yazıb ki, model ElevenLabs-dən 55% daha sürətli və 60% daha ucuzdur. Hər üç model Microsoft Foundry, MAI Playground, Vercel və Azure Voice Live-da mövcuddur, səs modelləri həmçinin OpenRouter-də; LiveKit dəstəyi tezliklə əlavə olunacaq; modellərin birlikdə işləməsini Playground-da Chatter demosu göstərir.

Mənbələr: TipRanks · Techmeme