Microsoft представи модел за транскрипция в реално време
Microsoft AI пусна MAI-Transcribe-2-Streaming на 1 октомври 2026 г. Това е първият стрийминг модел на компанията за преобразуване на реч в текст. Той е предназначен за гласови агенти, надписи на живо и диктовка: подава междинен текст, докато човекът говори, а по-късно го заменя със стабилна финална транскрипция. Моделът работи с 60 езика и непрекъснато открива автоматично промени в езика.
В оценката AA-WER Streaming на Artificial Analysis системата заема първо място сред 38 модела. За финалните транскрипции е отчетена грешка от 2,5% при 0,13 секунди след края на речта, а първите междинни резултати имат същата грешка при 0,12 секунди. Тестът включва около осем часа аудио от AA-AgentTalk, VoxPopuli и Earnings22. Microsoft заявява, че вътрешните му тестове показват два пъти по-бързо появяване на думите спрямо най-близкия конкурент.
Въвеждащата цена е $0.54 на час аудио до края на 2026 г., докато пакетната версия MAI-Transcribe-2 струва $0.10. Интеграция е възможна чрез Realtime API и Azure Speech SDK, както и през MAI Playground, Vercel и Azure Voice Live. Продуктът е в публичен преглед без SLA и без отворени тегла.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.