Microsoft выпустила модель распознавания речи в реальном времени
Microsoft AI представила MAI-Transcribe-2-Streaming 1 октября 2026 года. Компания называет его своей первой потоковой моделью преобразования речи в текст. Система рассчитана на голосовых агентов, живые субтитры и диктовку: она выводит предварительный текст еще во время речи, затем уточняет его и формирует окончательную расшифровку. Модель поддерживает 60 языков и непрерывно определяет язык автоматически.
В тесте AA-WER Streaming от Artificial Analysis модель заняла первое место среди 38 систем. Для окончательной расшифровки она показала показатель ошибок слов 2,5% через 0,13 секунды после окончания речи. Для первой предварительной расшифровки показатель также составил 2,5% при задержке 0,12 секунды. Тест включал около восьми часов аудио из AA-AgentTalk, VoxPopuli и Earnings22. Microsoft сообщила, что ее внутренние испытания показали появление слов вдвое быстрее, чем у ближайшего конкурента.
Вводная цена до конца 2026 года составляет $0.54 за час аудио; пакетная MAI-Transcribe-2 стоит $0.10. Разработчики могут подключать модель через Realtime API или Azure Speech SDK, а также использовать MAI Playground, Vercel и Azure Voice Live. Продукт доступен в публичной предварительной версии, без SLA и открытых весов.
Текст подготовлен ИИ Sakhanda Wire по материалу MarkTechPost. Факты, цитаты и полный контекст — в оригинальной статье ниже.