माइक्रोसॉफ्ट एआई ने वॉइस एजेंट्स के लिए नए ट्रांसक्रिप्शन और टेक्स्ट-टू-स्पीच मॉडल जारी किए
decoder ·
माइक्रोसॉफ्ट एआई ने वॉइस एजेंट की क्षमताओं को बढ़ाने के लिए नए ट्रांसक्रिप्शन और टेक्स्ट-टू-स्पीच मॉडल पेश किए हैं। कंपनी ने MAI-Transcribe-2-Streaming लॉन्च किया, जो एक रियल-टाइम ट्रांसक्रिप्शन मॉडल है जो 60 भाषाओं का समर्थन करता है और लगभग 100 मिलीसेकंड में प्रारंभिक परिणाम प्रदान करता है। इस कम लेटेन्सी की बदौलत वॉइस एजेंट उपयोगकर्ताओं के बोलते ही जवाब दे सकते हैं, जिसकी शुरुआती कीमत ऑडियो के प्रति घंटे $0.54 निर्धारित की गई है। इसके अलावा, माइक्रोसॉफ्ट ने दो नए टेक्स्ट-टू-स्पीच मॉडल लॉन्च किए हैं, जिनमें MAI-Voice-2.1 शामिल है जो एक ही वॉइस पहचान के साथ 23 भाषाओं में प्राकृतिक उच्चारण के साथ बोल सकता है। इस मॉडल का फ्लैश संस्करण 150 मिलीसेकंड की लेटेन्सी प्राप्त करता है और पिछले दरों की तुलना में प्रति दस लाख वर्णों पर लागत $15 तक कम कर देता है। दोनों वॉइस मॉडल्स में छोटे ऑडियो नमूनों से वॉइस क्लोन करने की क्षमता होती है और गलत उपयोग के खिलाफ सुरक्षा उपाय शामिल हैं। ये टूल्स माइक्रोसॉफ्ट फाउंड्री, MAI प्लेग्रౌंड और ओपनरोटर के माध्यम से उपलब्ध हैं, और परीक्षण में उच्च मानव-समान यथार्थता पाई गई है।
decoder