Microsoft lanserar realtidsmodell för taligenkänning

Microsoft har tillkännagivit lanseringen av MAI-Transcribe-2-Streaming, sin första AI-modell för strömbaserad tal-till-text-transkribering. Modellen levererar löpande text medan talet pågår och stöder 60 språk med automatisk språkidentifiering.

Den nya modellen är utformad för att förbättra realtidsapplikationer, såsom kundtjänstrobotar och live-undertexter. Den kan förstå talarens avsikt och initiera åtgärder innan talaren har avslutat sin mening. Modellen levererar snabbt initial text och ger en stabil, korrigerad transkribering efter att talet avslutats.

Enligt Microsofts egna tester kan de första textsegmenten visas cirka 320 millisekunder efter att talet börjat. I oberoende tester från Artificial Analysis uppnådde modellen en slutlig transkriberingsfördröjning på 0,13 sekunder och en ord-felkvot på 2,50 %, vilket placerade den högst bland 28 testade modeller.

MAI-Transcribe-2-Streaming är tillgänglig för utvecklare via plattformar som Microsoft Foundry och MAI Playground. Modellen erbjuds för närvarande till ett introduktionspris på 0,54 dollar per timme. Microsoft har tidigare lanserat den icke-strömbaserade modellen MAI-Transcribe-2.