Microsoft випустила модель розпізнавання мовлення в реальному часі
Microsoft AI випустила MAI-Transcribe-2-Streaming 1 жовтня 2026 року. Компанія називає її своєю першою потоковою моделлю перетворення мовлення на текст. Система призначена для голосових агентів, прямих субтитрів і диктування: вона виводить попередній текст ще під час розмови, а потім уточнює його та створює фінальну транскрипцію. Модель підтримує 60 мов і безперервно визначає мову автоматично.
У тестуванні AA-WER Streaming від Artificial Analysis модель посіла перше місце серед 38 систем. Для фінальної транскрипції вона отримала 2,5% помилок у словах через 0,13 секунди після завершення мовлення. Перший попередній результат мав такий самий показник за 0,12 секунди. Тест охоплював близько восьми годин аудіо з AA-AgentTalk, VoxPopuli та Earnings22. Microsoft заявила, що її внутрішні випробування показали появу слів удвічі швидше, ніж у найближчого конкурента.
Вступна ціна до кінця 2026 року становить $0.54 за годину аудіо, тоді як пакетна MAI-Transcribe-2 коштує $0.10. Розробники можуть використовувати Realtime API або Azure Speech SDK, а також MAI Playground, Vercel і Azure Voice Live. Продукт доступний у публічній попередній версії, без SLA та відкритих ваг.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.