Tiga model MAI baharu Microsoft untuk transkripsi langsung dan penjanaan suara

Microsoft memperkenalkan tiga model MAI untuk membantu pembangun membina ejen suara: MAI-Transcribe-2-Streaming menukar pertuturan langsung kepada teks, sementara MAI-Voice-2.1 dan MAI-Voice-2.1-Flash menukar teks kepada pertuturan. Ketiga-tiganya tersedia dalam pratonton awam melalui Microsoft Foundry. 3639

Perbandingan ringkas

Model	Kegunaan utama	Sokongan bahasa yang dilaporkan	Harga yang disenaraikan
MAI-Transcribe-2-Streaming	Transkripsi langsung dengan kemas kini teks secara berperingkat	60 bahasa, dengan pengesanan bahasa automatik	AS$0.54 sejam audio; harga pengenalan hingga akhir 2026 435
MAI-Voice-2.1	Penjanaan pertuturan daripada teks dengan penekanan pada ekspresi	23 bahasa	AS$22 bagi setiap sejuta aksara 3536
MAI-Voice-2.1-Flash	Penjanaan pertuturan yang lebih pantas untuk aplikasi yang mementingkan respons segera	23 bahasa dilaporkan bagi model suara	AS$15 bagi setiap sejuta aksara 3536

Harga dan ketersediaan ini merujuk kepada maklumat yang dilaporkan, bukan jaminan bahawa kadar atau akses akan kekal sama. Harga transkripsi, khususnya, dinyatakan sebagai harga pengenalan. 435

MAI-Transcribe-2-Streaming: transkripsi ketika orang masih bercakap

Sistem transkripsi biasa mungkin menunggu sehingga seseorang selesai bercakap sebelum memaparkan teks. Model ini pula menerima audio berterusan melalui WebSocket dan mengemas kini transkrip semasa pertuturan berlangsung. Menurut senarai model yang dilaporkan, ia mengesan bahasa secara automatik antara 60 bahasa. 1

Angka kependaman berbeza mengikut laporan dan cara pengukuran. Satu laporan menyatakan hasil awal boleh mula muncul sedikit lebih 100 milisaat selepas audio diterima; laporan lain menyebut perkataan mula dipaparkan kira-kira 320 milisaat selepas dituturkan. Oleh sebab titik permulaan pengukuran yang dinyatakan berbeza, angka ini tidak wajar dianggap sebagai perbandingan langsung. 24

Dalam penilaian transkripsi penstriman Artificial Analysis, laporan menyebut model ini muncul di tempat pertama dari segi ketepatan. Satu laporan memberikan kadar ralat perkataan akhir sebanyak 2.5% dalam kalangan 38 model. Itu ialah keputusan penanda aras yang dilaporkan, bukannya jaminan ketepatan bagi setiap bahasa, keadaan rakaman atau aplikasi. 34

Harga pengenalannya disenaraikan pada AS$0.54 sejam audio hingga akhir 2026. Pembangun yang menilainya patut mengambil kira bahawa kadar tersebut bersifat sementara. 435

MAI-Voice-2.1 dan Flash: teks menjadi suara

Kedua-dua model ini menjana audio pertuturan daripada teks, tetapi disasarkan kepada keutamaan yang berbeza. MAI-Voice-2.1 digambarkan sebagai pilihan yang lebih ekspresif, manakala Flash ialah varian yang lebih pantas untuk aplikasi yang perlu mengurangkan masa menunggu antara giliran perbualan. Model suara ini dilaporkan menyokong 23 bahasa. 63536

Harga yang dilaporkan ialah AS$22 bagi setiap sejuta aksara untuk MAI-Voice-2.1 dan AS$15 bagi setiap sejuta aksara untuk MAI-Voice-2.1-Flash. Satu laporan turut menyatakan Flash boleh menjana audio selama 45 saat dengan kependaman 150 milisaat. Angka itu ialah ukuran yang dilaporkan, bukan ukuran masa respons hujung ke hujung yang semestinya terpakai dalam semua keadaan. 3536

Laporan yang tersedia tidak memberikan skor penanda aras awam yang boleh dibandingkan secara terus untuk kualiti suara. Kedudukan ketepatan model transkripsi juga tidak boleh dianggap sebagai penarafan bagi mana-mana model penjanaan suara. 3234

Akses pembangun dan maksud pelancaran ini

Ketiga-tiga model dilaporkan tersedia dalam pratonton awam Microsoft Foundry. Pratonton awam membolehkan pembangun menguji model, tetapi tidak bermaksud produk itu sudah tersedia secara umum. 36

Bagi pembangun, pelancaran ini bermakna Microsoft kini menawarkan komponen pengecaman dan penjanaan pertuturan sendiri untuk aliran kerja ejen suara. Ini boleh memudahkan mereka membina lebih banyak bahagian sistem suara dalam ekosistem pembangun Microsoft dan mengurangkan keperluan mendapatkan komponen khusus tersebut daripada pembekal lain. Namun, pelancaran ini tidak membuktikan bahawa ejen suara lengkap boleh berfungsi tanpa penyedia lain: penaakulan, penyelarasan proses dan keupayaan lain mungkin masih memerlukan model atau perkhidmatan berbeza. 639

Kesimpulannya

Perbezaan paling jelas terletak pada model transkripsi: ia menyokong 60 bahasa, mengeluarkan hasil secara berperingkat dan dilaporkan menduduki tempat pertama dalam penilaian ketepatan Artificial Analysis, dengan kadar ralat perkataan akhir sebanyak 2.5% dalam satu laporan. Dua model suara pula menawarkan pilihan antara ekspresi dan kelajuan, dengan sokongan 23 bahasa yang dilaporkan serta harga berbeza bagi setiap aksara. Sebelum membuat keputusan untuk penggunaan produksi, pembangun wajar menyemak semula akses pratonton, harga dan kependaman dalam konfigurasi yang akan digunakan. 1343536