微软推出新的转录、语音模型

微软（MSFT）周四推出了三种新的人工智能模型，旨在实现转录和语音。

微软在一篇博客文章中表示，MAI-Transcribe-2-Streaming模型旨在转录，将实时语音在到达时转化为文本。

微软在帖子中写道：“MAI-Transcribe-2-Streaming可以连续转录60种语言，并自动检测语言，而不是等待某人完成发言才返回文本。”“它在接收音频的几百毫秒内产生第一个假设，称为部分假设，然后随着更多的上下文到达而对其进行细化，并在话语结束后提交一个稳定的转录本。当应用程序需要在某人说话时执行操作时，这种区别很重要。客户服务代理可以在句子完成之前开始识别呼叫者的请求。语音助手可以更快地开始推理或准备工具调用。一个现场转录的经验可以表面的话几乎一样快，因为他们说。"

MAI-Transcribe-2-Streaming是Artificial Analysis的顶级转录模型，可用于部分和最终转录本的准确性。在大多数情况下，单词最早在说出后320毫秒就出现，而比赛中则超过500毫秒。

MAI-Transcribe-2-Streaming提供60种语言版本，截至年底，入门费用为每小时0.54美元。

新的语音模型是MAI-Voice-2.1和MAI-Voice-2.1-Flash。微软补充说：“当表达保真度是优先考虑的问题时，开发人员可以选择MAI-Voice-2.1，或者当他们需要平衡自然语音与响应能力和大规模成本时，可以选择Flash。”

MAI-Voice-2.1每100万字符售价22美元，MAI-Voice-2.1-Flash每100万字符售价15美元。MAI-Voice-2.1支持23种语言和26个地区，具有单一、一致的跨语言语音。