Подразделение Microsoft AI выпустило MAI-Transcribe-2-Streaming — дебютную модель корпорации, способную превращать речь в текст непосредственно в ходе разговора. Одновременно с ней представлены два синтезатора речи: MAI-Voice-2.1 и MAI-Voice-2.1-Flash.
Насколько точен MAI-Transcribe-2-Streaming?
В рейтинге Artificial Analysis новинка возглавила список по точности, причем сразу в двух категориях — финальной расшифровке и черновым версиям, которые система выдает, не дожидаясь конца фразы. Первый набросок текста возникает спустя чуть больше 100 миллисекунд после появления звука. Дальше, по мере накопления контекста, модель шлифует его и закрепляет окончательный вариант. Согласно внутренним испытаниям Microsoft, слова на экране проявляются вдвое стремительнее, чем у ближайшего соперника.
Доля ошибочных слов в итоговом тексте — в среднем 2,5%. Среди 38 моделей потокового теста Artificial Analysis это наилучший показатель. Тот же бенчмарк показывает у Grok Voice Transcribe 2.0 результат 2,7%, у Cartesia Ink Preview — 3,1%, у ElevenLabs Scribe v2 Realtime — 3,6%. Готовый текст детище Microsoft отдает через 0,13 секунды после того, как речь смолкла; Grok тратит на это 0,49 секунды.
MAI-Transcribe-2-Streaming понимает 60 языков и самостоятельно распознает, на каком из них идет беседа, даже когда говорящий переключается между ними. Столь быстрые черновики критичны в первую очередь для голосовых ассистентов: те успевают обдумать ответ или обратиться к сторонним сервисам еще до того, как человек договорит. Плюс живые субтитры возникают на экране практически синхронно со звуком. До конца года по вводному тарифу час расшифровки обойдется в 0,54 доллара.
Что умеет синтезатор речи MAI-Voice-2.1?
MAI-Voice-2.1 воспроизводит текст на 23 языках и в 26 региональных вариантах. Один и тот же голос звучит на всех языках, сохраняя естественный акцент. Клонировать голос можно по нескольким секундам записи, а от злоупотреблений страхует встроенная проверка согласия его владельца. Миллион символов стоит 22 доллара. Облегченная MAI-Voice-2.1-Flash создана под большие объемы: она выдает 45 секунд аудио с задержкой порядка 150 миллисекунд, быстрее старшей версии на 55% и обходится в 15 долларов за миллион символов.
По замыслу Microsoft, эти модели найдут применение в ботах службы поддержки, многоязычных ассистентах и обучающих сервисах. Разработчикам они уже открыты через Microsoft Foundry, MAI Playground, Azure Voice Live, Vercel и OpenRouter, а вскоре доберутся и до LiveKit.
До этого мы уже писали: обращения пользователей к Copilot просматривают сотрудники-люди.
Вопросы и ответы
Сколько стоит расшифровка часа речи в MAI-Transcribe-2-Streaming?
До конца года по вводному тарифу час расшифровки обойдется в 0,54 доллара. Это касается потоковой модели Microsoft, которая распознает речь и выдает текст почти одновременно со звуком.
Чем MAI-Voice-2.1-Flash отличается от старшей версии?
Облегченная модель создана под большие объемы: выдает 45 секунд аудио с задержкой около 150 миллисекунд, быстрее старшей версии на 55% и стоит 15 долларов за миллион символов вместо 22.
Где разработчики могут опробовать новые модели Microsoft?
Модели уже открыты через Microsoft Foundry, MAI Playground, Azure Voice Live, Vercel и OpenRouter, а вскоре доберутся и до LiveKit. По замыслу Microsoft, они найдут применение в ботах поддержки, многоязычных ассистентах и обучающих сервисах.
