Компанія Microsoft розширила свою лінійку мовних моделей MAI, випустивши три нові рішення: MAI-Transcribe-2-Streaming, MAI–Voice-2.1 та MAI–Voice-2.1-Flash. Оновлення орієнтоване на розпізнавання мовлення в реальному часі, генерацію голосу з низькою затримкою та створення розмовних ШІ-асистентів.
Компанія Microsoft розширила свою лінійку мовних моделей MAI, випустивши три нові рішення: MAI-Transcribe-2-Streaming, MAI–Voice-2.1 та MAI–Voice-2.1-Flash. Оновлення орієнтоване на розпізнавання мовлення в реальному часі, генерацію голосу з низькою затримкою та створення розмовних ШІ-асистентів.
Головною новиною випуску стала модель MAI-Transcribe-2-Streaming. На відміну від базової MAI-Transcribe-2, яка працює із записаним аудіо, потокова модель оновлює стенограму безпосередньо під час мовлення людини, повідомляє WindowsReport.
Первинні результати транскрипції з’являються трохи більше ніж через 100 мс після отримання аудіосигналу. Це дозволяє створювати голосових агентів, які реагують практично миттєво.
Модель підтримує 60 мов та самостійно визначає мову спікера в процесі розмови без необхідності попереднього налаштування розробниками.
За даними платформи Artificial Analysis, модель посіла перше місце за точністю як часткової, так і фінальної транскрипції.
Пільгова вартість користування становить $0,54 за годину аудіо до кінця 2026 року.
Microsoft також представила оновлену модель генерації мовлення MAI–Voice-2.1, призначену для створення багатомовних голосових застосунків.
Модель охоплює 23 мови (для 26 регіональних налаштувань) та здатна перемикатися між ними із збереженням унікальної ідентичності та тембру одного спікера.
Для відтворення голосу конкретної людини будь-якою з підтримуваних мов моделі достатньо лише кількох секунд аудіозапису.
Ціна генерації становить $22 за 1 мільйон символів.
Для завдань, де ключову роль відіграють швидкість та масштабованість, випущено модель MAI–Voice-2.1-Flash.
Модель здатна згенерувати 45 секунд аудіо із затримкою близько 150 мс. Вона забезпечує на 55% швидший інференс і коштує приблизно на 60% дешевше порівняно з аналогами — $15 за 1 мільйон символів. При цьому в ній збережено можливості клонування голосу.
Комбінація потокового розпізнавання та синтезу мовлення дає розробникам власний повноцінний технологічний стек від Microsoft для побудови діалогових ШІ-агентів у реальному часі.
Усі три нові моделі вже доступні через інструменти Microsoft Foundry, MAI Playground та Vercel. Моделі MAI–Voice-2.1 та MAI–Voice-2.1-Flash також інтегровані в OpenRouter, а незабаром очікується підтримка сервісу LiveKit. Окрім того, їх можна використовувати через платформу Azure Voice Live.
