Microsoft-მა ხელოვნური ინტელექტის ხმოვანი მოდელები და რეალურ დროში ტრანსკრიბირების სერვისი წარადგინა

ხუთშაბათს Microsoft-მა ↗ 1.48% საკუთარი წარმოების ხელოვნური ინტელექტის სამი მოდელი წარადგინა, რომლებიც ტრანსკრიბირებასა და ხმოვან ფუნქციებს ემსახურება. კომპანია სულ უფრო მეტ საკუთარ ტექნოლოგიას ავითარებს, რათა მოიზიდოს დეველოპერები, რომლებიც სასაუბრო ხმოვან აგენტებზე მუშაობენ.

Microsoft AI-მა X-ზე გამოაცხადა MAI-Transcribe-2-Streaming, MAI-Voice-2.1 და MAI-Voice-2.1-Flash-ის შესახებ და აღნიშნა, რომ სამივე მოდელი უკვე ხელმისაწვდომია. კომპანიამ ეს სიახლე დაახასიათა როგორც "ზუსტი სტრიმინგული ტრანსკრიბირება", რომელიც უზრუნველყოფს "ბუნებრივ მეტყველებას და ნაკლებ ლოდინს საუბრისას"x.

რეალურ დროში ტრანსკრიბირების მოდელი

Microsoft AI-ის ბლოგპოსტის თანახმად, MAI-Transcribe-2-Streaming არის კომპანიის პირველი სტრიმინგული ტრანსკრიბირების მოდელი. ის მეტყველებას ტექსტად გარდაქმნის საუბრის პარალელურად, ჩანაწერის დასრულებამდე ლოდინის გარეშე. Microsoft აცხადებს, რომ მოდელი მხარს უჭერს 60 ენას და შეუძლია ავტომატურად ამოიცნოს ენა, მაშინაც კი, თუ საუბრისას ის იცვლება. მოდელის საწყისი ფასი შეადგენს 0.54 აშშ დოლარს აუდიოს თითო საათზეseekingalpha+1.

მოდელმა პირველი ადგილი დაიკავა Artificial Analysis-ის AA-WER სტრიმინგის რეიტინგში, რომელიც სიტყვების შეცდომის კოეფიციენტს ზომავს. 24/7 Wall St.-ის ცნობით, მოდელი ლიდერობს როგორც საბოლოო ტრანსკრიპტის სიზუსტით, ისე პირველადი ნაწილობრივი ტრანსკრიპტის სიზუსტით, 2.5%-იანი შეცდომის მაჩვენებლითmicrosoft+1.

ეს ახალი მოდელი ემატება MAI-Transcribe-2-ს, რომელსაც Microsoft-ის დოკუმენტაცია მოიხსენიებს როგორც "შემდეგი თაობის მეტყველების ტექსტად გარდაქმნის მოდელს, რომელიც Microsoft AI-ის გუნდმა შექმნა". დეველოპერებს ამ მოდელის გამოყენება Azure-ის მეტყველების სერვისის მეშვეობით უკვე შეეძლოთlearn.microsoft.

ხმის გენერაციის დაჩქარება

Microsoft-ის თქმით, MAI-Voice-2.1 უზრუნველყოფს "ექსპრესიულ, დაბალი ლატენტურობის მქონე მეტყველებას", რომელიც სტაბილური რჩება გრძელი ტექსტების შემთხვევაშიც. OpenRouter-ის მონაცემებით, MAI-Voice-2.1 არის Microsoft AI-ის ყველაზე მაღალი ხარისხის ტექსტის მეტყველებად გარდაქმნის მოდელი, რომელიც 23 ენაზე მუშაობს. MAI-Voice-2.1-Flash კი მისი უფრო მსუბუქი და სწრაფი ვერსიაა. ორივე ხმოვანი მოდელი და სტრიმინგული ტრანსკრიბერი ხელმისაწვდომია Vercel-ის AI Gateway-ის მეშვეობით, Microsoft-ის მიერ დადგენილი ტარიფებითdaily+3.

საკუთარი AI ტექნოლოგიების განვითარება

ეს გამოშვება არის Microsoft AI-ის MAI მოდელების ოჯახის უახლესი წევრი, იმავე ჯგუფის მიერ შექმნილი, რომელმაც მანამდე MAI-Voice და MAI-1 მოდელები შეიმუშავა. 24/7 Wall St.-ის ანალიტიკურ ჩანაწერში აღნიშნულია, რომ AI-ის სტეკის თითოეული ფენა, რომელსაც Microsoft თავად ქმნის, ნიშნავს, რომ კომპანია "აღარ არის დამოკიდებული გარე მომწოდებლებზე". გამოცემის თქმით, ეს შედეგები მიუთითებს, რომ Microsoft-ის შიდა შესაძლებლობები "უფრო სწრაფად ვითარდება, ვიდრე ეს საზოგადოებრივ აღქმაშია ასახული"eesel+1.