Microsoft chce zjednodušit vývoj hlasových asistentů. Představil tři nové modely MAI

Microsoft představil tři modely MAI určené vývojářům hlasových asistentů: MAI-Transcribe-2-Streaming převádí živou řeč na text a MAI-Voice-2.1 s variantou MAI-Voice-2.1-Flash převádějí text na mluvené slovo. Všechny tři jsou dostupné ve veřejném preview v Microsoft Foundry. 3639

Rychlé srovnání

Model	K čemu slouží	Uváděná podpora jazyků	Uváděná cena
MAI-Transcribe-2-Streaming	Průběžný přepis řeči v reálném čase	60 jazyků, automatické rozpoznání jazyka	0,54 USD za hodinu zvuku; úvodní cena platí do konce roku 2026 435
MAI-Voice-2.1	Expresivní převod textu na řeč	23 jazyků	22 USD za milion znaků 3536
MAI-Voice-2.1-Flash	Rychlejší převod textu na řeč pro aplikace citlivé na prodlevu	23 jazyků podle dostupných údajů o hlasových modelech	15 USD za milion znaků 3536

Jde o uváděné ceny a dostupnost, které se mohou změnit. Zvlášť u přepisu Microsoft označuje sazbu 0,54 USD za zaváděcí. 435

Přepis bez čekání na konec věty

MAI-Transcribe-2-Streaming nečeká, až člověk domluví. Přijímá nepřetržitý zvuk přes WebSocket a průběžně posílá dílčí přepis, který následně potvrzuje jako finální segment. Podle dostupných informací automaticky rozpoznává jazyk z nabídky 60 jazyků. 1

Uváděné časy odezvy se v jednotlivých zprávách liší. Jeden zdroj píše o prvních částečných výsledcích něco málo přes 100 milisekund po přijetí zvuku, jiný uvádí, že se slova mohou začít zobrazovat přibližně 320 milisekund poté, co zaznějí. Protože údaje vycházejí z odlišných výchozích okamžiků, nejde o přímé srovnání stejné metriky. 24

V benchmarku streamovaného přepisu od Artificial Analysis se model podle zveřejněných zpráv při uvedení umístil na prvním místě v přesnosti. Jeden z přehledů uvádí konečnou chybovost přepisu (WER) 2,5 % při srovnání 38 modelů. Jde o výsledek konkrétního testu, nikoli o záruku stejné přesnosti pro každý jazyk, nahrávku nebo způsob použití. 34

Úvodní cena je 0,54 USD za hodinu zvuku a má platit do konce roku 2026. Vývojáři by proto při odhadu provozních nákladů měli počítat s tím, že jde o časově omezenou sazbu. 435

Dva hlasy: expresivita, nebo rychlost

Oba hlasové modely mění text na mluvené audio, ale každý klade důraz na něco jiného. MAI-Voice-2.1 je popisován jako expresivnější varianta, zatímco Flash cílí na rychlejší reakce tam, kde záleží na krátké prodlevě mezi jednotlivými replikami. U hlasových modelů se uvádí podpora 23 jazyků. 63536

Uváděná cena MAI-Voice-2.1 je 22 USD za milion znaků, u Flash 15 USD za milion znaků. Jeden zdroj u varianty Flash navíc uvádí vytvoření 45 sekund zvuku s latencí 150 milisekund. Tento údaj je třeba chápat jako zveřejněnou hodnotu, nikoli jako univerzální měření celkové odezvy aplikace od začátku do konce. 3536

Ve veřejně dostupných zprávách není pro kvalitu generovaného hlasu srovnatelný benchmarkový výsledek. První místo přepisovacího modelu v testu proto nelze považovat za hodnocení hlasových modelů. 3234

Co si mohou vývojáři vyzkoušet

Všechny tři modely jsou podle dostupných informací ve veřejném preview přes Microsoft Foundry. Preview umožňuje vývojářům modely testovat, ale samo o sobě neznamená, že už jsou obecně dostupné jako hotové produkty. 36

Pro vývojáře je podstatné, že Microsoft nabízí vlastní součásti pro rozpoznávání i generování řeči. V rámci svého vývojářského ekosystému tak může usnadnit sestavení hlasové vrstvy asistenta a omezit potřebu shánět právě tyto komponenty jinde. Neznamená to ale, že celý hlasový asistent obejde další poskytovatele: uvažování, koordinace a další funkce mohou stále využívat jiné modely nebo služby. 639

Co z toho plyne

Nejkonkrétnější výsledky se týkají streamovaného přepisu: podpora 60 jazyků, průběžné zobrazování textu a uváděné první místo v přesnosti benchmarku Artificial Analysis spolu s konečnou chybovostí 2,5 %. U hlasové dvojice jde hlavně o volbu mezi expresivnějším projevem a rychlejší odezvou; uvádí se 23 jazyků a rozdílné ceny za milion znaků. Před nasazením do ostrého provozu je vhodné ověřit aktuální přístup, ceny i latenci v konkrétním nastavení. 1343536