Microsoft AI выпускает новые модели транскрипции и синтеза речи для голосовых агентов
decoder ·
Microsoft AI представила новые модели транскрипции и преобразования текста в речь, предназначенные для улучшения возможностей голосовых агентов. Компания выпустила модель MAI-Transcribe-2-Streaming — систему транскрипции в реальном времени, поддерживающую 60 языков и выдающую первые результаты примерно за 100 миллисекунд. Такая низкая задержка позволяет голосовым агентам отвечать, пока пользователи ещё говорят; стартовая цена составляет 0,54 доллара США за час аудио. Кроме того, Microsoft запустила две новые модели синтеза речи, включая вариант MAI-Voice-2.1, который может говорить на 23 языках с естественными акцентами, сохраняя единую идентичность голоса. Версия Flash этой модели обеспечивает задержку в 150 миллисекунд и предлагает сниженную стоимость — 15 долларов США за миллион символов по сравнению с предыдущими тарифами. Обе модели голоса обладают функцией клонирования голоса по коротким аудиосэмплам и включают меры защиты от misuse. Эти инструменты доступны через платформу Microsoft Foundry, среду тестирования MAI Playground и сервис OpenRouter; результаты тестирования демонстрируют высокую степень реалистичности, сопоставимую с человеческой речью.
decoder