מיקרוסופט משיקה את MAI-Transcribe-2-Streaming לתמלול בזמן אמת

מיקרוסופט ממשיכה להרחיב את משפחת מודלי ה-AI הפנימית שלה ומשיקה כלי תמלול המיועד לשיחות חיות. החברה הכריזה על MAI-Transcribe-2-Streaming, מודל תמלול ראשון מסוגו עבורה שפועל בהזרמה מתמשכת ומיועד לבניית סוכני קול שיכולים להאזין ולהגיב באופן מידי.

מה קרה

במקביל למודל התמלול החדש, מיקרוסופט הציגה שני מודלים להפקת דיבור מטקסט (Text-to-Speech): המודל MAI-Voice-2.1 וגרסה מואצת בשם MAI-Voice-2.1-Flash. הכלים החדשים מיועדים למפתחים שרוצים ליצור עוזרים קוליים בעלי יכולת לנהל שיחה זורמת וטבעית יותר, ללא השהיות ארוכות בין תורות הדיבור.

הפרטים

המודל MAI-Transcribe-2-Streaming מקבל שמע באמצעות פרוטוקול WebSocket ומעדכן את הטקסט המתומלל באופן רציף תוך כדי שהמשתמש מדבר. תהליך זה מאפשר למערכות להתחיל לעבד את בקשת המשתמש עוד לפני שסיים להגות את המשפט במלואו, או לחלופין להציג כתוביות חיות. לפי SiliconANGLE AI, מחיר השימוש במודל עומד על 54 סנט לכל שעת שמע דרך Vercel AI Gateway, והוא תומך בזיהוי אוטומטי של יותר מ-60 שפות.

לפי The Decoder, המודל מעביר תוצאות חלקיות ראשוניות במהירות גבוהה במיוחד, ודורג ראשון ברמת הדיוק בבדיקות של Artificial Analysis. לצד מודל התמלול, שני מודלי הדיבור MAI-Voice תומכים ב-23 שפות ומסוגלים לשכפל קול מקובץ שמע קצר של שניות בודדות. מודל MAI-Voice-2.1 הרגיל עולה 22 דולר למיליון תווים, בעוד שגרסת ה-Flash עולה 15 דולר למיליון תווים ומציעה זמני תגובה מהירים יותר של כ-150 אלפיות השנייה.

הכלים זמינים דרך Microsoft Foundry, ה-MAI Playground, שער Vercel AI ופלטפורמת OpenRouter (עבור מודלי הקול).

מה זה אומר לכם

עבור מפתחים ועסקים שרוצים להקים מוקדי שירות מבוססי בינה מלאכותית, שילוב של מודל תמלול רציף ומודל קול מהיר מאפשר לייצר שיחות טבעיות בהרבה מאלו שהורגלנו אליהן. במקום לחכות לשתיקה מלאה של המשתמש כדי להתחיל לעבד את הנתונים, המערכת מנתחת את המשפט בזמן אמת.

אם אתם בונים שירותים קוליים, תוכלו לבדוק את התאמת המודל לתשתיות שלכם דרך הפלטפורמות שבהן הוא זמין. בשלב זה מיקרוסופט מציגה תמיכה בעשרות שפות, אך מומלץ לבחון באופן מעשי את איכות הדיוק והמבטא בעברית בכל אחד מהמודלים כדי לוודא התאמה לקהל המקומי.