Microsoft julkisti reaaliaikaisen puheentunnistusmallin

Microsoft on julkaissut MAI-Transcribe-2-Streaming-nimisen mallin, joka on yhtiön ensimmäinen reaaliaikainen, jatkuva puheen tekstiksi muuntava tekoälymalli. Malli pystyy tuottamaan tekstiä puheen edetessä ja tukee 60 eri kieltä automaattisella kielentunnistuksella.

Uusi malli on suunniteltu parantamaan reaaliaikaisia sovelluksia, kuten asiakaspalvelubotteja ja reaaliaikaisia tekstityksiä. Se pystyy tunnistamaan puheen tarkoituksen ja aloittamaan toiminnot ennen kuin puhuja on lopettanut lauseensa. Malli tarjoaa myös nopean ensimmäisen tekstin tuottamisen ja tarkan lopputuloksen puheen päätyttyä.

Microsoftin omien arvioiden mukaan malli näyttää ensimmäiset tekstit noin 320 millisekunnin kuluttua puheen alkamisesta. Riippumattomassa Artificial Analysis -testissä mallin lopullinen viive oli 0,13 sekuntia ja sanavirhesuhde 2,50 %, mikä sijoitti sen testattujen mallien kärkeen.

Malli on saatavilla kehittäjille Microsoft Foundryn, MAI Playgoundin ja OpenRouterin kautta. Hinnoittelussa on tarjousvaihe, jossa hinta on 0,54 dollaria tunnissa. Microsoft on aiemmin julkaissut ei-suoratoistavan MAI-Transcribe-2-mallin.