Új beszédmodelleket mutatott be a Microsoft AI
A Microsoft AI bemutatta első folyamatos átírómodelljét, a MAI-Transcribe-2-Streaminget, valamint két új hangmodellt. A vállalat szerint ezek gyors és természetes társalgási hangélmények fejlesztéséhez kínálnak alapot.
- A Microsoft AI bemutatta első folyamatos átírómodelljét, a MAI-Transcribe-2-Streaminget.
- A modell az Artificial Analysis MAI-Transcribe rangsorában az első helyen debütált.
- Megérkezett a MAI-Voice-2.1 és gyors változata, a MAI-Voice-2.1-Flash.
- A modelleket társalgási hangügynökök és hangalapú élmények fejlesztéséhez szánják.
Első helyen végzett a folyamatos átírómodell
A Microsoft AI közleménye szerint a MAI-Transcribe-2-Streaming a vállalat első folyamatos átírómodellje. A modell az Artificial Analysis MAI-Transcribe rangsorában az első helyen debütált. A cég a megoldást pontos és gyors beszédfelismerésre épülő modellként mutatja be.
A folyamatos átírás olyan működést jelent, amelynél a hang feldolgozása a beszéd közben történik. A Microsoft AI a bejelentésben ezt a képességet a társalgási hangügynökök fejlesztésének egyik építőelemeként emeli ki. A közlemény szerint a cél olyan hangalapú élmények létrehozása, amelyek gyorsan és gördülékenyen reagálnak.
Két új hangmodell érkezik
A vállalat a MAI-Transcribe-2-Streaming mellett két hangmodellt is bejelentett: a MAI-Voice-2.1-et és ennek gyors változatát, a MAI-Voice-2.1-Flash-t. A Microsoft AI a Flash modellt kifejezetten nagy sebességű változatként írja le.
A közlemény szerint a modellek együtt olyan alapokat adnak a fejlesztőknek, amelyekkel társalgási élményeket építhetnek. A Microsoft AI a pontosságot és a hangminőséget is kiemeli, és azt állítja, hogy a gyors működés mellett ezekből sem kell engedni.
A bejelentés címe a többnyelvű hangokat is kiemeli, a megadott szöveg azonban nem részletezi, hogy a modellek pontosan hány nyelvet támogatnak, és azt sem, mely nyelvekről van szó.
Építőelemek társalgási hangügynökökhöz
A Microsoft AI a három modellt egy közös fejlesztési irány részeként mutatja be. A MAI-Transcribe-2-Streaming a beszéd szöveggé alakítását, a MAI-Voice-2.1 és a MAI-Voice-2.1-Flash pedig a hangalapú működéshez szükséges modelleket képviseli. A vállalat szerint ezekre építve gyors és folyamatos társalgási élmények készíthetők.
A közlemény a modellek felhasználását a conversational voice agents, vagyis társalgási hangügynökök fejlesztéséhez kapcsolja. A Microsoft AI szerint a cél a pontos, gyors és jó hangminőségű működés együttes biztosítása. A bejelentés ugyanakkor nem közöl árakat, hozzáférési feltételeket vagy megjelenési részleteket.
A Microsoft AI október 1-jén tette közzé a bejelentést. A közölt információk alapján a fejlesztők számára a három modell különböző feladatokra használható építőelemként jelenik meg, miközben a vállalat a MAI-Transcribe-2-Streaming Artificial Analysis-rangsorban elért első helyét hangsúlyozza.
