Sakhanda Wire
NVDA $155.46 -0.44% MSFT $506.24 -2.27% GOOGL $280.20 -1.24% META $618.87 -1.20% AMZN $257.89 +0.05%
← Към новините

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.

Първоначално публикувано от MarkTechPost на

Прочетете оригинала в MarkTechPost ↗

Репортажът и изображението принадлежат на MarkTechPost и са посочени по-горе с връзка към оригинала; текстът на тази страница е собствено изложение на Sakhanda Wire.

← Към новините

Още новини

Всички последни новини