A Microsoft valós idejű AI-hangmodelleket dob piacra, 60 nyelven transzkribál és klónoz

A Microsoft AI bemutatta a MAI-Transcribe-2-Streaming modellt, amely valós idejű transzkripcióra képes. A cég szerint a modell pontosságban első helyen áll az Artificial Analysis ranglistán. A MAI-Transcribe-2-Streaming 60 nyelvet támogat, és első részeredményeit alig több mint 100 ezredmásodperc alatt szolgáltatja — közölte a The Decoder.

Ez a képesség lehetővé teszi, hogy a hangügynökök már akkor válaszolni tudjanak, amikor a beszélő még mondat közepén tart. Az év végéig az óránkénti hanganyag feldolgozása bevezető áron 0,54 dollárba kerül.

Új hangklónozó és szövegfelolvasó modellek

A Microsoft két új szövegfelolvasó modellt is kiadott: a MAI-Voice-2.1 és a MAI-Voice-2.1-Flash. Előbbi 23 nyelven képes megszólalni ugyanazzal a hanggal, mindegyikhez anyanyelvi akcentussal. A MAI-Voice-2.1-Flash változat késleltetése 150 ezredmásodperc, és egymillió karakterenként 15 dollárba kerül a standard 22 dollár helyett — írja a The Decoder.

Mindkét hangmodell mindössze néhány másodpercnyi referenciahangból képes klónozni egy hangot. A beépített védelmi mechanizmusok célja a visszaélések megakadályozása.

Elérhetőség és teszteredmények

Az új modellek a Microsoft Foundry, az MAI Playground és az OpenRouter platformokon keresztül érhetők el. Egy teszt során a 4000 résztvevő körülbelül fele vélte úgy, hogy a generált hangok valós személytől származnak.