Microsoft запустила три ИИ-модели для расшифровки речи и озвучки текста. Потоковая расшифровка стоит $0,54 за час аудио, а первые фрагменты текста появляются в среднем через 320 миллисекунд.
Главная новинка, MAI-Transcribe-2-Streaming, обрабатывает речь прямо во время разговора. Она непрерывно обновляет черновик расшифровки, а после окончания фразы подтверждает финальный текст. Это позволяет показывать живые субтитры или начинать обработку запроса, пока человек ещё говорит. Модель поддерживает более 60 языков и автоматически определяет язык, пишет SiliconANGLE. Гарантированной задержки нет: она зависит от сети и остальных компонентов приложения.
Если мгновенный результат не нужен, у Microsoft есть обычная MAI-Transcribe-2. Она ждёт конца реплики и стоит $0,10 за час аудио, то есть более чем в пять раз дешевле потоковой версии.
Ещё две модели озвучивают текст. MAI-Voice-2.1 рассчитана на более выразительный и качественный голос и стоит $22 за миллион символов. Ускоренная MAI-Voice-2.1-Flash предлагает меньшую задержку и цену $15 за миллион символов. Обе поддерживают 23 языка. Модели перечислены в Vercel AI Gateway, площадке для подключения ИИ-моделей разработчиками.
The Information пишет, что Microsoft называет свои решения более дешёвыми и точными, чем модели ElevenLabs, Google и SpaceXAI. Подробностей независимого сравнения в источниках нет, поэтому это заявление самой компании. В дальнейшем Microsoft рассчитывает использовать голосовые модели для функций вроде расшифровки конференц-звонков в Teams, но срок интеграции не назван.
Новинки расширили собственную линейку MAI. По данным SiliconANGLE, Microsoft хочет меньше зависеть от моделей OpenAI и Anthropic и со временем применять свои разработки в агентах Copilot для Excel и Outlook.
Что это значит
- Для вас. Разработчики получили отдельные модели для двух частей голосового сервиса: распознавания речи и ответа голосом. Можно выбирать между качеством, скоростью и ценой, а не оплачивать единый набор возможностей.
- В России. Microsoft не продаёт российским компаниям новые продукты и лицензии напрямую. Доступность этих моделей через Vercel AI Gateway из России, поддержка российских карт и наличие русского языка в заявленных списках пока неизвестны.
- Что сделать. Перед внедрением стоит проверить модели на собственных звонках и сценариях. Особенно важны качество распознавания нужного языка, реальная задержка и итоговая стоимость потоковой обработки.