Microsoft випустила нові моделі для голосових агентів
Microsoft AI представила MAI-Transcribe-2-Streaming — модель для транскрибування мовлення в реальному часі. Компанія заявляє, що за точністю модель посідає перше місце в Artificial Analysis, підтримує 60 мов і формує перші часткові результати трохи більш ніж за 100 мілісекунд. За оцінкою Microsoft, така затримка дає голосовим агентам змогу починати відповідь, коли співрозмовник ще не завершив фразу. До кінця року вступна ціна становить $0.54 за годину аудіо.
Компанія також випустила дві моделі перетворення тексту на мовлення — MAI-Voice-2.1 і MAI-Voice-2.1-Flash. MAI-Voice-2.1 розрахована на використання одного голосу 23 мовами, з природним акцентом для кожної з них. Для версії Flash Microsoft вказує затримку 150 мілісекунд і ціну $15 за мільйон символів замість $22. Обидві моделі можуть клонувати голос лише за кількома секундами еталонного аудіо, а вбудовані засоби захисту мають запобігати зловживанням.
Моделі доступні через Microsoft Foundry, MAI Playground та інші платформи. Обидві голосові моделі також розміщені в OpenRouter. Під час тесту за участю 4 000 людей приблизно половина вирішила, що згенеровані голоси належать реальній людині.
Текст підготовлено ШІ Sakhanda Wire за матеріалом The Decoder. Факти, цитати та повний контекст — в оригінальній статті нижче.