Microsoft lanserer AI-stemmemodeller og sanntidstranskribering

Microsoft ↗ 1.48% lanserte torsdag tre egenutviklede modeller for kunstig intelligens innen transkribering og stemme. Selskapet bygger nå mer av sin egen AI-teknologi i et forsøk på å tiltrekke seg utviklere som lager samtalestyrte stemmeagenter.

Microsoft AI kunngjorde MAI-Transcribe-2-Streaming, MAI-Voice-2.1 og MAI-Voice-2.1-Flash på X og bekreftet at alle tre er "tilgjengelige fra i dag." Selskapet beskrev lanseringen som "nøyaktig strømmende transkribering" med "naturlig tale og mindre ventetid mellom vendingene."x

En modell for sanntidstranskribering

MAI-Transcribe-2-Streaming er Microsofts første modell for strømmende transkribering, ifølge et blogginnlegg fra Microsoft AI. Den konverterer tale til tekst mens personen snakker, i stedet for å vente til opptaket er ferdig. Microsoft opplyser at den støtter 60 språk og automatisk kan oppdage hvilket språk som snakkes, selv om det skifter underveis i samtalen. Introduksjonsprisen for modellen er 0,54 dollar per time med lyd.seekingalpha+1

Modellen rangerte øverst på Artificial Analysis sin AA-WER Streaming-benchmark, som måler ordfeilrate. Den kom på førsteplass for både nøyaktighet i ferdig transkribering og nøyaktighet i delvis transkribering, med en ordfeilrate på 2,5 prosent, ifølge 24/7 Wall St. som siterer analyseselskapet. Microsoft hevder også at modellen debuterte på førsteplass hos Artificial Analysis.microsoft+1

Den nye modellen kommer i tillegg til MAI-Transcribe-2, som Microsofts dokumentasjon omtaler som en "neste generasjons tale-til-tekst-modell bygget internt av Microsoft AI-teamet." Utviklere kunne allerede bruke denne modellen via Azures taletjeneste.learn.microsoft

Raskere stemmegenerering

Microsoft opplyser at MAI-Voice-2.1 produserer "uttrykksfull tale med lav forsinkelse" som forblir stabil over lengre passasjer. OpenRouters modelliste kaller MAI-Voice-2.1 Microsoft AIs mest troverdige tekst-til-tale-modell og opplyser at den fungerer på 23 språk. MAI-Voice-2.1-Flash er en lettere versjon bygget for hastighet. Begge stemmemodellene og den strømmende transkriberingsmodellen er tilgjengelige via Vercels AI Gateway til Microsofts oppgitte priser.daily+3

Bygger sin egen AI

Lanseringen er det nyeste tilskuddet til MAI-familien av modeller fra Microsoft AI, den samme gruppen som står bak de tidligere MAI-Voice- og MAI-1-modellene. I et markedsnotat argumenterte 24/7 Wall St. for at hvert lag i AI-stakken som Microsoft bygger selv, er et lag der de "ikke lenger er avhengige av en ekstern leverandør." Avisen påpeker at benchmark-resultatet tyder på at Microsofts interne kapasitet "modnes raskere enn det offentlige bildet har reflektert."eesel+1