Microsoft AI lanza nuevos modelos de transcripción y texto a voz para agentes de voz
decoder ·
Microsoft AI ha presentado nuevos modelos de transcripción y de texto a voz diseñados para mejorar las capacidades de los agentes de voz. La compañía lanzó MAI-Transcribe-2-Streaming, un modelo de transcripción en tiempo real que admite 60 idiomas y ofrece resultados iniciales en aproximadamente 100 milisegundos. Esta baja latencia permite que los agentes de voz respondan mientras los usuarios aún están hablando, con un precio introductorio de 0,54 dólares por hora de audio. Además, Microsoft lanzó dos nuevos modelos de texto a voz, incluida la variante MAI-Voice-2.1, que puede hablar 23 idiomas con acentos nativos utilizando una sola identidad de voz. La versión Flash de este modelo logra una latencia de 150 milisegundos y ofrece un costo reducido de 15 dólares por cada millón de caracteres, en comparación con las tarifas anteriores. Ambos modelos de voz cuentan con capacidades de clonación de voz a partir de muestras de audio cortas e incluyen salvaguardas contra el uso indebido. Estas herramientas son accesibles a través de Microsoft Foundry, el MAI Playground y OpenRouter, y las pruebas han indicado un alto nivel de realismo humano.
decoder