Подразделение Microsoft AI выпустило MAI-Transcribe-2-Streaming — дебютную модель корпорации, предназначенную для расшифровки речи в реальном времени. Вместе с ней вышли два синтезатора голоса: MAI-Voice-2.1 и MAI-Voice-2.1-Flash.
В рейтинге Artificial Analysis новинка возглавила список по точности, причем сразу в двух категориях — по финальному тексту и по промежуточным черновикам, которые выдаются до завершения фразы. Первый набросок появляется спустя чуть более 100 миллисекунд после начала звука, потом система уточняет его по мере накопления контекста и выдает окончательный вариант. Внутренние тесты Microsoft показывают: слова на экране возникают вдвое быстрее, чем у самого близкого соперника.
Средняя доля ошибок в итоговом тексте — 2,5%. Среди 38 моделей потокового теста Artificial Analysis это наилучший показатель. Для сравнения: Grok Voice Transcribe 2.0 дает 2,7%, Cartesia Ink Preview — 3,1%, ElevenLabs Scribe v2 Realtime — 3,6%. Финальный текст Microsoft выдает за 0,13 секунды после того, как речь закончилась, тогда как Grok тратит на это 0,49 секунды.
Модель понимает 60 языков и самостоятельно распознает, на каком из них идет разговор, включая случаи переключения между ними. Черновые варианты особенно важны голосовым ассистентам: они успевают обдумать ответ или обратиться к сторонним сервисам, пока человек еще не договорил. Живые субтитры тоже возникают практически синхронно со звуком. До конца года по вводному тарифу час расшифровки обойдется в 0,54 доллара.
Что умеет MAI-Voice-2.1?
MAI-Voice-2.1 воспроизводит текст на 23 языках и в 26 региональных вариантах. Один и тот же голос звучит на всех языках с сохранением естественного акцента. Скопировать голос можно по нескольким секундам записи, а от злоупотреблений защищает встроенная проверка согласия владельца. Миллион символов стоит 22 доллара. Облегченная MAI-Voice-2.1-Flash создана для больших объемов: 45 секунд аудио с задержкой примерно 150 миллисекунд, на 55% быстрее старшей версии и 15 долларов за миллион символов.
По замыслу Microsoft, модели найдут применение в ботах поддержки, многоязычных ассистентах и обучающих сервисах. Разработчикам они уже доступны через Microsoft Foundry, MAI Playground, Azure Voice Live, Vercel и OpenRouter, а вскоре доберутся и до LiveKit.
Ранее мы уже сообщали: обращения пользователей к Copilot просматривают сотрудники-люди.
Вопросы и ответы
На скольких языках работает MAI-Transcribe-2-Streaming и умеет ли она переключаться между ними?
Модель понимает 60 языков и сама определяет, на каком из них идет разговор. Она справляется и со случаями, когда собеседники переключаются между языками прямо во время беседы.
Сколько стоит расшифровка часа речи в MAI-Transcribe-2-Streaming?
До конца года действует вводный тариф: час расшифровки обойдется в 0,54 доллара. Это цена для разработчиков, которым модель уже доступна через Microsoft Foundry, MAI Playground, Azure Voice Live, Vercel и OpenRouter.