Newsletter Subscribe
Enter your email address below and subscribe to our newsletter
[forminator_form id="25163"]

x.microsoft.247wallst.Η Microsoft κυκλοφόρησε την Πέμπτη τρία εσωτερικά μοντέλα τεχνητής νοημοσύνης για μεταγραφή και φωνητική επεξεργασία. Η εταιρεία αναπτύσσει όλο και περισσότερη δική της τεχνολογία AI, καθώς επιδιώκει να προσελκύσει προγραμματιστές που δημιουργούν συνομιλητικούς φωνητικούς πράκτορες.
Η Microsoft AI ανακοίνωσε τα MAI-Transcribe-2-Streaming, MAI-Voice-2.1 και MAI-Voice-2.1-Flash μέσω του X, δηλώνοντας ότι και τα τρία είναι «διαθέσιμα από σήμερα». Η εταιρεία περιέγραψε την κυκλοφορία ως «ακριβή μεταγραφή σε πραγματικό χρόνο» με «φυσική ομιλία και λιγότερη αναμονή μεταξύ των εναλλαγών»x.
Το MAI-Transcribe-2-Streaming είναι το πρώτο μοντέλο μεταγραφής σε πραγματικό χρόνο της Microsoft, σύμφωνα με ανάρτηση στο ιστολόγιο της Microsoft AI. Μετατρέπει τον λόγο σε κείμενο καθώς το άτομο μιλάει, αντί να περιμένει την ολοκλήρωση της ηχογράφησης. Η Microsoft αναφέρει ότι υποστηρίζει 60 γλώσσες και μπορεί να ανιχνεύσει αυτόματα ποια γλώσσα ομιλείται, ακόμη και αν αυτή αλλάζει κατά τη διάρκεια μιας συνομιλίας. Η εισαγωγική τιμή του μοντέλου είναι 0,54 δολάρια ανά ώρα ήχουseekingalpha+1.
Το μοντέλο κατέλαβε την πρώτη θέση στο benchmark AA-WER Streaming της Artificial Analysis, το οποίο μετρά το ποσοστό σφάλματος λέξεων. Αναδείχθηκε κορυφαίο τόσο στην ακρίβεια της τελικής μεταγραφής όσο και στην ακρίβεια της πρώτης μερικής μεταγραφής, με ποσοστό σφάλματος λέξεων 2,5%, σύμφωνα με το 24/7 Wall St. που επικαλείται την εταιρεία αξιολόγησης. Η Microsoft δηλώνει επίσης ότι το μοντέλο έκανε το ντεμπούτο του στην πρώτη θέση της Artificial Analysismicrosoft+1.
Το νέο μοντέλο έρχεται να προστεθεί στο MAI-Transcribe-2, το οποίο η τεκμηρίωση της Microsoft χαρακτηρίζει ως «μοντέλο μετατροπής ομιλίας σε κείμενο επόμενης γενιάς, κατασκευασμένο εσωτερικά από την ομάδα της Microsoft AI». Οι προγραμματιστές μπορούσαν ήδη να χρησιμοποιήσουν αυτό το μοντέλο μέσω της υπηρεσίας ομιλίας του Azurelearn.microsoft.
Η Microsoft αναφέρει ότι το MAI-Voice-2.1 παράγει «εκφραστική ομιλία χαμηλής καθυστέρησης» που παραμένει σταθερή σε μεγάλα αποσπάσματα. Η λίστα μοντέλων του OpenRouter χαρακτηρίζει το MAI-Voice-2.1 ως το μοντέλο μετατροπής κειμένου σε ομιλία με την υψηλότερη πιστότητα της Microsoft AI και σημειώνει ότι λειτουργεί σε 23 γλώσσες. Το MAI-Voice-2.1-Flash είναι μια ελαφρύτερη έκδοση σχεδιασμένη για ταχύτητα. Και τα δύο φωνητικά μοντέλα, καθώς και το εργαλείο μεταγραφής, είναι διαθέσιμα μέσω του AI Gateway της Vercel στις τιμές που έχει ορίσει η Microsoftdaily+3.
Η κυκλοφορία αυτή αποτελεί την τελευταία προσθήκη στην οικογένεια μοντέλων MAI της Microsoft AI, της ίδιας ομάδας που βρίσκεται πίσω από τα προηγούμενα μοντέλα MAI-Voice και MAI-1. Σε σημείωμα αγοράς, το 24/7 Wall St. υποστήριξε ότι κάθε επίπεδο της στοίβας AI που κατασκευάζει η ίδια η Microsoft είναι ένα επίπεδο όπου «δεν εξαρτάται πλέον από εξωτερικό προμηθευτή». Το μέσο ανέφερε ότι το αποτέλεσμα του benchmark υποδηλώνει πως οι εσωτερικές δυνατότητες της Microsoft «ωριμάζουν ταχύτερα από ό,τι έχει αποτυπωθεί στη δημόσια εικόνα της»eesel+1.