Microsoft AI publie de nouveaux modèles de transcription et de synthèse vocale pour les agents vocaux
decoder ·
Microsoft AI a présenté de nouveaux modèles de transcription et de synthèse vocale conçus pour améliorer les capacités des agents vocaux. L'entreprise a lancé MAI-Transcribe-2-Streaming, un modèle de transcription en temps réel qui prend en charge 60 langues et fournit les premiers résultats en environ 100 millisecondes. Cette faible latence permet aux agents vocaux de répondre pendant que les utilisateurs parlent encore, avec un tarif introductif fixé à 0,54 dollar par heure d'audio. Par ailleurs, Microsoft a déployé deux nouveaux modèles de synthèse vocale, dont la variante MAI-Voice-2.1 capable de parler 23 langues avec des accents natifs tout en conservant une seule identité vocale. La version Flash de ce modèle atteint une latence de 150 millisecondes et propose un coût réduit de 15 dollars par million de caractères par rapport aux tarifs précédents. Ces deux modèles vocaux intègrent des fonctionnalités de clonage vocal à partir de courts échantillons audio et incluent des mesures de sécurité contre les abus. Ces outils sont accessibles via Microsoft Foundry, le MAI Playground et OpenRouter, des tests indiquant un réalisme proche de celui des humains.
decoder