نماذج MAI الجديدة من مايكروسوفت: تحويل الكلام إلى نص وصوت مولّد

تغطي نماذج MAI الثلاثة من مايكروسوفت جانبي المحادثة الصوتية: يحوّل MAI-Transcribe-2-Streaming الكلام المباشر إلى نص، بينما يحوّل MAI-Voice-2.1 وMAI-Voice-2.1-Flash النص إلى كلام. وتستهدف المجموعة المطورين الذين يبنون وكلاء صوتيين، وهي متاحة في معاينة عامة عبر Microsoft Foundry، منصة مايكروسوفت للمطورين وبناء تطبيقات الذكاء الاصطناعي. 3639

مقارنة سريعة

النموذج	الوظيفة	دعم اللغات المذكور	السعر المذكور
MAI-Transcribe-2-Streaming	تفريغ الكلام المباشر إلى نص مع تحديثات متتابعة	60 لغة مع التعرّف التلقائي على اللغة	0.54 دولار لكل ساعة صوت؛ سعر تمهيدي حتى نهاية 2026 435
MAI-Voice-2.1	تحويل النص إلى كلام بصوت تعبيري	23 لغة	22 دولارًا لكل مليون حرف 3536
MAI-Voice-2.1-Flash	تحويل النص إلى كلام مع التركيز على السرعة	23 لغة وفق التقارير المتاحة عن نماذج الصوت	15 دولارًا لكل مليون حرف 3536

هذه أسعار ومعلومات منشورة عن النماذج، وليست ضمانًا لبقاء السعر أو التوفّر على حالهما. وسعر التفريغ، على وجه الخصوص، موصوف بأنه تمهيدي. 435

تفريغ مباشر بدل انتظار نهاية الجملة

لا ينتظر MAI-Transcribe-2-Streaming انتهاء المتحدث حتى يعرض النص؛ بل يستقبل تدفقًا متواصلًا من الصوت عبر اتصال WebSocket ويرسل تحديثات متتابعة للتفريغ. وتذكر التقارير أنه يدعم 60 لغة مع التعرّف التلقائي على اللغة. 1

أما زمن الاستجابة، فتختلف طريقة وصفه بين التقارير: يذكر أحدها أن النموذج يبدأ بإظهار نتائج أولية بعد ما يزيد قليلًا على 100 ميلي ثانية من استقباله الصوت، بينما يذكر آخر ظهور الكلمات بعد نحو 320 ميلي ثانية من نطقها. ولأن كل رقم يبدأ احتسابه من نقطة مختلفة، فلا يصح التعامل معهما على أنهما قياسان متطابقان. 24

وفي معيار التفريغ الصوتي المتدفق من Artificial Analysis، أفادت تقارير بأن النموذج بدأ في المركز الأول من حيث الدقة. ويذكر أحد التقارير معدل خطأ نهائيًا للكلمات يبلغ 2.5% ضمن مقارنة شملت 38 نموذجًا. هذه نتيجة معيار مُعلنة، وليست ضمانًا للدقة في كل لغة أو ظروف تسجيل أو تطبيق. 34

السعر المنشور للتفريغ هو 0.54 دولار لكل ساعة صوت حتى نهاية 2026 كسعر تمهيدي. لذلك ينبغي للمطورين أخذ احتمال تغيّر السعر بعد انتهاء الفترة الترويجية في الحسبان عند تقييم النموذج. 435

نموذجان لتوليد الكلام: التعبير أم السرعة؟

يحوّل النموذجان النص إلى صوت، لكنهما موجهان لأولويات مختلفة: يوصف MAI-Voice-2.1 بأنه الخيار الأكثر تعبيرًا، فيما صُمم Flash للتطبيقات التي تهمها سرعة الاستجابة وتقليل الانتظار بين أدوار المحادثة. وتذكر التقارير أن تغطية نماذج الصوت تبلغ 23 لغة. 63536

تبلغ الأسعار المنشورة 22 دولارًا لكل مليون حرف في MAI-Voice-2.1، و15 دولارًا لكل مليون حرف في MAI-Voice-2.1-Flash. ويذكر أحد التقارير أن إصدار Flash يستطيع توليد 45 ثانية من الصوت مع زمن استجابة يبلغ 150 ميلي ثانية؛ لكن ينبغي فهم ذلك بوصفه رقمًا منقولًا، لا مقياسًا موحدًا لزمن الاستجابة من بداية الطلب إلى نهايته في كل تطبيق. 3536

ولا تعرض التقارير المتاحة نتيجة معيار عامة قابلة للمقارنة مباشرةً لجودة الصوت في النموذجين. لذلك لا ينبغي اعتبار تصنيف دقة نموذج التفريغ ترتيبًا لنماذج توليد الكلام. 3234

ماذا تعني الإتاحة للمطورين؟

تُذكر النماذج الثلاثة على أنها متاحة في معاينة عامة عبر Microsoft Foundry. تتيح المعاينة للمطورين اختبارها، لكنها لا تعني أن النماذج أصبحت متاحة عمومًا بصورتها النهائية. 36

عمليًا، تضيف مايكروسوفت الآن مكونات خاصة بها للتعرّف على الكلام وتوليده ضمن مسار بناء الوكلاء الصوتيين. وقد يسهل ذلك على المطورين إنشاء جزء أكبر من طبقة الصوت داخل منظومة أدوات الشركة، بدل الحصول على هذه المكونات من مزودين آخرين. لكنه لا يثبت أن وكيلًا صوتيًا كاملًا يمكن أن يعمل دون خدمات أخرى؛ فقد تظل مهام مثل الاستدلال وتنسيق خطوات الوكيل معتمدة على نماذج أو خدمات مختلفة. 639

الخلاصة

أوضح عناصر المقارنة هو نموذج التفريغ المباشر: يدعم 60 لغة، ويعرض النص على مراحل، وسُجل له تصنيف متقدم في معيار Artificial Analysis مع معدل خطأ نهائي للكلمات قدره 2.5% في أحد التقارير. أما نموذجا الصوت فيقدمان خيارًا بين التعبير والسرعة، مع تغطية منشورة تبلغ 23 لغة وأسعار مختلفة لكل مليون حرف. وقبل اعتماد أي منها في منتج، من الأفضل التحقق من التوفّر والأسعار وزمن الاستجابة في بيئة الاستخدام المقصودة. 1343536