Microsoft AI lança novos modelos de transcrição e texto para fala para agentes de voz
decoder ·
A Microsoft AI apresentou novos modelos de transcrição e conversão de texto em fala projetados para aprimorar as capacidades de agentes de voz. A empresa lançou o MAI-Transcribe-2-Streaming, um modelo de transcrição em tempo real que suporta 60 idiomas e entrega os resultados iniciais em aproximadamente 100 milissegundos. Essa baixa latência permite que os agentes de voz respondam enquanto os usuários ainda estão falando, com preço promocional inicial de US$ 0,54 por hora de áudio. Além disso, a Microsoft lançou dois novos modelos de conversão de texto em fala, incluindo a variante MAI-Voice-2.1, capaz de falar 23 idiomas com sotaques nativos usando uma única identidade vocal. A versão Flash deste modelo alcança uma latência de 150 milissegundos e oferece um custo reduzido de US$ 15 por milhão de caracteres, em comparação com as tarifas anteriores. Ambos os modelos de voz possuem recursos de clonagem de voz a partir de amostras de áudio curtas e incluem salvaguardas contra uso indevido. Essas ferramentas estão disponíveis por meio do Microsoft Foundry, do MAI Playground e do OpenRouter, com testes indicando alto realismo semelhante ao humano.
decoder