微软AI发布用于语音代理的新转录和文本转语音模型
decoder ·
微软AI推出了旨在增强语音代理能力的新版转录和文本转语音模型。该公司发布了MAI-Transcribe-2-Streaming,这是一款支持60种语言的实时转录模型,可在约100毫秒内提供初步结果。低延迟特性使语音代理能够在用户说话的同时进行响应,其入门定价为每小时音频0.54美元。此外,微软还推出了两款新的文本转语音模型,其中包括MAI-Voice-2.1变体,该模型使用单一声音身份即可用带有地道口音的23种语言进行朗读。该模型的Flash版本延迟仅为150毫秒,成本降至每百万字符15美元,较以往费率有所降低。这两款语音模型均具备从短音频样本克隆声音的功能,并包含防止滥用的安全措施。这些工具可通过Microsoft Foundry、MAI Playground和OpenRouter访问,测试表明其具有高度拟真度。
decoder