Microsoft представи нови модели за гласови агенти в реално време
Microsoft AI представи MAI-Transcribe-2-Streaming — модел за транскрипция на реч в реално време. Компанията съобщава, че той заема първо място по точност в Artificial Analysis, поддържа 60 езика и генерира първите частични резултати за малко над 100 милисекунди. Според Microsoft тази бързина позволява на гласовите агенти да започнат отговор, докато човекът все още говори. До края на годината въвеждащата цена е $0.54 за час аудио.
Компанията пусна и два модела за преобразуване на текст в реч: MAI-Voice-2.1 и MAI-Voice-2.1-Flash. MAI-Voice-2.1 може да използва един и същ глас на 23 езика, като запазва естествен акцент за всеки от тях. Microsoft посочва латентност от 150 милисекунди за Flash варианта, чиято цена е $15 на милион знака вместо $22. И двата модела могат да клонират глас от само няколко секунди референтен запис и имат вградени мерки срещу злоупотреба.
Моделите са достъпни чрез Microsoft Foundry и MAI Playground, както и на други платформи. Двата гласови модела се предлагат и в OpenRouter. При тест с 4 000 участници около половината са преценили, че генерираните гласове принадлежат на реален човек.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на The Decoder. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.