Microsoft выпустила новые модели для голосовых агентов
Microsoft AI представила MAI-Transcribe-2-Streaming — модель для транскрибации речи в реальном времени. Компания утверждает, что по точности модель занимает первое место в Artificial Analysis, поддерживает 60 языков и выдает первые частичные результаты чуть более чем за 100 миллисекунд. По оценке Microsoft, такая задержка позволяет голосовым агентам начинать ответ, пока собеседник еще не закончил фразу. До конца года вводная цена составляет $0.54 за час аудио.
Также были выпущены две модели преобразования текста в речь: MAI-Voice-2.1 и MAI-Voice-2.1-Flash. MAI-Voice-2.1 рассчитана на работу с одним голосом на 23 языках, используя естественное произношение для каждого языка. Для версии Flash Microsoft указывает задержку 150 миллисекунд и цену $15 за миллион символов вместо $22. Обе модели способны клонировать голос по нескольким секундам эталонной записи; встроенные средства защиты должны снижать риск неправильного использования.
Модели доступны через Microsoft Foundry, MAI Playground и другие платформы. Обе голосовые модели также представлены в OpenRouter. В тесте с участием 4 000 человек примерно половина участников решила, что сгенерированные голоса принадлежат реальному человеку.
Текст подготовлен ИИ Sakhanda Wire по материалу The Decoder. Факты, цитаты и полный контекст — в оригинальной статье ниже.