Microsoft השיקה שלושה דגמי AI חדשים לתמלול בזמן אמת ולסינתזת דיבור

Microsoft השיקה ב-1 באוקטובר שלושה דגמי AI חדשים: דגם תמלול בזמן אמת MAI-Transcribe-2-Streaming ושני דגמי סינתזת דיבור, MAI-Voice-2.1 ו-MAI-Voice-2.1-Flash.

תמלול סטרימינג: 60 שפות ודיוק שיא

MAI-Transcribe-2-Streaming הוא דגם תמלול הסטרימינג הראשון של החברה: הוא קולט ברציפות זרם אודיו ומחזיר טקסט עוד לפני שהדובר מסיים לדבר. הדגם עובד עם 60 שפות, מזהה אותן אוטומטית, ולפי Microsoft הוא מדורג ראשון בדירוג של Artificial Analysis בדיוק תמלולים סופיים וחלקיים. לפי לוח הדירוגים מ-28 בספטמבר, שיעור השגיאה בטקסט הסופי (WER) הוא 2,5%, בתוצאה החלקית הראשונה — 2,8%, והזמן לתמלול סופי — 0,13 שניות.

את ההשערות הראשונות (partials) הדגם מחזיר קצת יותר מ-100 אלפיות השנייה לאחר קבלת האודיו, ומילים בתמלול מופיעות ברוב המקרים תוך 320 אלפיות השנייה. לפי הערכת החברה, בהכתבה ובכתוביות מילים מופיעות מהר פי שניים מאשר אצל המתחרה הקרוב. מחיר ההתחלה הוא 0,54 דולר לשעת אודיו והוא תקף עד סוף השנה.

שני דגמי סינתזת דיבור

MAI-Voice-2.1 הוא דגם סינתזת הדיבור הרב-לשוני החזק ביותר של החברה: הוא עובד עם 23 שפות ו-26 לוקאלים, וקול אחד מדבר בכולם במבטא ילידי. המחיר הוא 22 דולר למיליון תווים.

MAI-Voice-2.1-Flash עובד עם אותן שפות, אך מחוזק למשימות של עומס גבוה והשהיה נמוכה: הוא מייצר עד 45 שניות אודיו, וההשהיה הכוללת היא 150 אלפיות השנייה. הוא מהיר ב-55% וזול בכ-60% מדגמים דומים; המחיר הוא 15 דולר למיליון תווים.

שניהם יכולים לשכפל קול לפי כמה שניות של אודיו בכל שפה נתמכת; מנגנונים מובנים מגבילים שימוש לרעה. בטסט טיורינג בהשתתפות 4000 מאזינים, 50,3% מהמשיבים דירגו את הקול של MAI-Voice ברמה של הקלטות אנושיות או כאנושי יותר.

מה זה אומר לשוק

העבודה של סוכן קולי עוקבת אחר מחזור: האזנה, הבנה, קבלת החלטה ותשובה. לפי Microsoft, הצמד MAI-Transcribe-2-Streaming ו-MAI-Voice-2.1-Flash חוסך זמן בשני קצוות המחזור הזה ומשאיר לסוכן יותר מקום לשיקול דעת. החברה מציעה אותם למוקדי תמיכה, לעוזרים רב-לשוניים ולאפליקציות לימודיות.

לפי ניתוח של RuntimeWire, הדגם החדש יקר פי 5,4 מדגם MAI-Transcribe-2 הלא-סטרימינג שיצא בספטמבר (מ-0,10 עד 0,54 דולר לשעה), אך מדובר בסוגי עומס שונים והמחיר הישן היה זמני. הפרסום מציין שמדדי ההשהיה מתארים את יכולות הדגם, ולא את המערכת כולה.

ראש Microsoft AI, מוסטפא סולימאן, כתב ב-X שהדגם מהיר ב-55% וזול ב-60% מ-ElevenLabs. כל שלושת הדגמים זמינים ב-Microsoft Foundry, ב-MAI Playground, ב-Vercel וב-Azure Voice Live, ודגמי הקול גם ב-OpenRouter; תמיכה ב-LiveKit תתווסף בקרוב; את עבודתם המשותפת של הדגמים ב-Playground מדגים Chatter.

מקורות: TipRanks · Techmeme