Microsoft выпустила модель для расшифровки речи

MAI-Transcribe-2-Streaming работает с аудио в реальном времени и поддерживает 60 языков с автоматическим определением языка. На тестах Artificial Analysis модель заняла первое место по точности как промежуточной, так и финальной расшифровки.

Модель не ждёт, пока человек закончит фразу. Первые варианты текста появляются примерно через 100 мс, затем система уточняет их по мере поступления нового аудио.

Это особенно полезно для голосовых агентов. Пока пользователь ещё говорит, агент уже может анализировать запрос и запускать нужные инструменты. По внутренним тестам Microsoft слова появляются в транскрипте примерно в два раза быстрее, чем у ближайшего конкурента.

Параллельно Microsoft представила MAI-Voice-2.1 для синтеза речи на 23 языках и ускоренную MAI-Voice-2.1-Flash. Последняя может сгенерировать 45 секунд аудио с задержкой около 150 мс.

MAI-Transcribe-2-Streaming до конца года стоит $0.54 за час аудио. Модель уже доступна через Microsoft Foundry и MAI Playground.

dailyprompts.ru
===
💬Это пост из ленты, которую читает Саша - автор канала Мальцев: Карьера. Маркетинг. AI. @maltsevprosto

Другие каналы по темам:
🤖 AI @maltsevdaily
🧑‍🎓 Карьеры @maltsevdailyc
🦹 Маркетинга @maltsevdailym