微軟推出新的轉錄、語音模型

微軟（MSFT）周四推出了三種新的人工智能模型，旨在實現轉錄和語音。

微軟在一篇博客文章中表示，MAI-Transcribe-2-Streaming模型旨在轉錄，將實時語音在到達時轉化為文本。

微軟在帖子中寫道：「MAI-Transcribe-2-Streaming可以連續轉錄60種語言，並自動檢測語言，而不是等待某人完成發言才返回文本。」「它在接收音頻的幾百毫秒內產生第一個假設，稱為部分假設，然后隨着更多的上下文到達而對其進行細化，並在話語結束后提交一個穩定的轉錄本。當應用程序需要在某人説話時執行操作時，這種區別很重要。客户服務代理可以在句子完成之前開始識別呼叫者的請求。語音助手可以更快地開始推理或準備工具調用。一個現場轉錄的經驗可以表面的話幾乎一樣快，因為他們説。"

MAI-Transcribe-2-Streaming是Artificial Analysis的頂級轉錄模型，可用於部分和最終轉錄本的準確性。在大多數情況下，單詞最早在說出后320毫秒就出現，而比賽中則超過500毫秒。

MAI-Transcribe-2-Streaming提供60種語言版本，截至年底，入門費用為每小時0.54美元。

新的語音模型是MAI-Voice-2.1和MAI-Voice-2.1-Flash。微軟補充説：「當表達保真度是優先考慮的問題時，開發人員可以選擇MAI-Voice-2.1，或者當他們需要平衡自然語音與響應能力和大規模成本時，可以選擇Flash。」

MAI-Voice-2.1每100萬字符售價22美元，MAI-Voice-2.1-Flash每100萬字符售價15美元。MAI-Voice-2.1支持23種語言和26個地區，具有單一、一致的跨語言語音。