Microsoft AI julkaisi puheentunnistusmallin nopeammaksi ja edullisemmaksi

Microsoft AI julkaisi torstaina MAI-Transcribe-2-mallin, jonka kerrotaan olevan merkittävä edistysaskel puheentunnistuksessa. Yhtiön mukaan uusi malli tarjoaa parempaa nopeutta, tarkkuutta ja kustannustehokkuutta verrattuna OpenAI:n, Googlen ja ElevenLabsin tarjoamiin ratkaisuihin.

MAI-Transcribe-2:n tuntihinta on 10 senttiä, mikä on huomattava lasku edellisen, viisi kuukautta sitten julkaistun mallin 36 sentin tuntihinnasta. Tämä lähes 72 % hintaleikkaus voi tuoda merkittäviä säästöjä yrityksille, jotka käsittelevät suuria määriä äänidataa. Esimerkiksi suuri pankki tai teleoperaattori voisi säästää kymmeniä tuhansia dollareita vuodessa.

Julkaisu on osa Microsoftin strategiaa rakentaa omia huippuluokan tekoälymallejaan eri osa-alueilla. Puheentunnistus on alue, jolla yhtiö on edennyt nopeasti, ja MAI-Transcribe-2 edustaa tätä kehitystä. Malli tukee nyt 60 eri kieltä, parantaen edellisen version 43 kielestä. Se on suunniteltu käsittelemään realistisia, yritysten tuottamia äänitallenteita, jotka sisältävät taustamelua ja heikkoa äänenlaatua.

Malli sisältää useita yrityskäyttäjille tärkeitä ominaisuuksia, kuten puhujien erottelun, sana-tason aikaleimat ja avainsanojen painottamisen. Se tunnistaa myös automaattisesti puheen kielen ja tukee jopa kielten vaihtoa saman lauseen sisällä, kuten "Hinglish" ja "Spanglish". Microsoftin mukaan nämä ominaisuudet ovat aiemmin vaatineet erillisiä lisämaksullisia palveluita.

Microsoft esittää mallilleen kolme suorituskykyväitettä: se on ykkönen FLEURS-vertailussa 60 kielellä, toinen Artificial Analysisin tarkkuus-latenssi-vertailussa ja huomattavasti nopeampi kuin kilpailevat mallit. Vaikka FLEURS-vertailu perustuu luettuun puheeseen, Artificial Analysisin tulokset antavat kuvan mallin suorituskyvystä todellisessa liiketoimintaympäristössä. Mallin nopeus mahdollistaa sen edullisen hinnoittelun ja tehokkaan suorituskyvyn.