Microsoft uvádí modely AI pro hlas a přepis v reálném čase

Společnost Microsoft ↘ 0.62% ve čtvrtek vydala tři vlastní modely umělé inteligence pro přepis a hlasové funkce. Firma buduje stále více vlastních technologií AI ve snaze získat si vývojáře, kteří vytvářejí konverzační hlasové agenty.

Microsoft AI oznámil modely MAI-Transcribe-2-Streaming, MAI-Voice-2.1 a MAI-Voice-2.1-Flash na síti X a uvedl, že všechny tři jsou „dostupné již dnes“. Společnost vydání popsala jako „přesný streamovaný přepis“ s „přirozenou řečí a kratší čekací dobou mezi jednotlivými vstupy“.x

Model pro přepis v reálném čase

MAI-Transcribe-2-Streaming je podle příspěvku na blogu Microsoft AI prvním streamovacím modelem pro přepis od Microsoftu. Převádí řeč na text v momentě, kdy osoba mluví, místo aby čekal na dokončení nahrávky. Microsoft uvádí, že podporuje 60 jazyků a dokáže automaticky rozpoznat, jakým jazykem se mluví, i když se během konverzace změní. Zaváděcí cena modelu je 0,54 USD za hodinu zvuku.seekingalpha+1

Model se umístil na prvním místě v benchmarku AA-WER Streaming společnosti Artificial Analysis, který měří chybovost slov. Podle 24/7 Wall St., který cituje analytickou firmu, se umístil na vrcholu jak v přesnosti konečného přepisu, tak v přesnosti prvního částečného přepisu, a to s chybovostí slov 2,5 %. Microsoft také uvádí, že model debutoval na prvním místě v žebříčku Artificial Analysis.microsoft+1

Nový model doplňuje MAI-Transcribe-2, který dokumentace Microsoftu označuje za „model převodu řeči na text nové generace vytvořený interně týmem Microsoft AI“. Vývojáři již mohli tento model využívat prostřednictvím hlasové služby Azure.learn.microsoft

Rychlejší generování hlasu

Microsoft uvádí, že MAI-Voice-2.1 produkuje „expresivní řeč s nízkou latencí“, která zůstává stabilní i v dlouhých pasážích. V seznamu modelů OpenRouter je MAI-Voice-2.1 označen za nejvěrnější model převodu textu na řeč od Microsoft AI a uvádí se, že funguje ve 23 jazycích. MAI-Voice-2.1-Flash je lehčí verze vytvořená pro rychlost. Oba hlasové modely i streamovací přepisovač jsou dostupné prostřednictvím brány AI Gateway společnosti Vercel za uvedené sazby Microsoftu.daily+3

Budování vlastní AI

Vydání je nejnovějším přírůstkem do rodiny modelů MAI od Microsoft AI, tedy stejné skupiny, která stojí za dřívějšími modely MAI-Voice a MAI-1. V tržní poznámce 24/7 Wall St. argumentoval, že každá vrstva technologického balíku AI, kterou si Microsoft postaví sám, je vrstvou, kde „již nezávisí na externím dodavateli“. Server uvedl, že výsledek benchmarku naznačuje, že interní schopnosti Microsoftu „dospívají rychleji, než se odráželo ve veřejném narativu“.eesel+1