Microsoft AI veröffentlicht neue Transkriptions- und Text-zu-Sprache-Modelle für Sprachagenten
decoder ·
Microsoft AI hat neue Transkriptions- und Text-zu-Sprache-Modelle eingeführt, die die Fähigkeiten von Sprachagenten verbessern sollen. Das Unternehmen veröffentlichte MAI-Transcribe-2-Streaming, ein Echtzeit-Transkriptionsmodell, das 60 Sprachen unterstützt und erste Ergebnisse in etwa 100 Millisekunden liefert. Diese niedrige Latenz ermöglicht es Sprachagenten, zu reagieren, während Benutzer noch sprechen; der Einführungspreis beträgt 0,54 US-Dollar pro Stunde Audio. Darüber hinaus brachte Microsoft zwei neue Text-zu-Sprache-Modelle auf den Markt, darunter die Variante MAI-Voice-2.1, die 23 Sprachen mit muttersprachlichen Akzenten unter Verwendung einer einzigen Identität spricht. Die Flash-Version dieses Modells erreicht eine Latenz von 150 Millisekunden und bietet reduzierte Kosten von 15 US-Dollar pro Million Zeichen im Vergleich zu früheren Preisen. Beide Sprachmodelle verfügen über Funktionen zur Stimmklonung aus kurzen Audiodateien und enthalten Schutzmaßnahmen gegen Missbrauch. Diese Tools sind über Microsoft Foundry, die MAI Playground und OpenRouter zugänglich; Tests deuten auf eine hohe menschliche Natürlichkeit hin.
decoder