Nowe modele MAI mają pomóc tworzyć agentów głosowych

Microsoft wprowadza trzy modele MAI, które obsługują oba kierunki komunikacji głosowej: MAI-Transcribe-2-Streaming zamienia mowę na tekst w trakcie wypowiedzi, a MAI-Voice-2.1 i MAI-Voice-2.1-Flash generują mowę na podstawie tekstu. Zestaw przygotowano z myślą o deweloperach budujących agentów głosowych. Wszystkie trzy modele są dostępne w Microsoft Foundry w publicznej wersji testowej. 3639

W skrócie

Model	Zastosowanie	Podawana obsługa języków	Podawana cena
MAI-Transcribe-2-Streaming	Transkrypcja na żywo, z aktualizacjami tekstu w trakcie wypowiedzi	60 języków, automatyczne wykrywanie języka	0,54 USD za godzinę dźwięku; cena promocyjna do końca 2026 r. 435
MAI-Voice-2.1	Generowanie ekspresyjnej mowy z tekstu	23 języki	22 USD za milion znaków 3536
MAI-Voice-2.1-Flash	Szybsze generowanie mowy, gdy liczy się krótki czas oczekiwania	23 języki dla modeli głosowych	15 USD za milion znaków 3536

To ceny podawane w dostępnych zestawieniach, a nie gwarancja, że pozostaną niezmienione. Microsoft określa stawkę za transkrypcję jako promocyjną. 435

Transkrypcja bez czekania na koniec zdania

MAI-Transcribe-2-Streaming nie musi czekać, aż rozmówca skończy mówić, by zwrócić tekst. Przyjmuje ciągły strumień dźwięku przez WebSocket i przesyła kolejne aktualizacje transkrypcji. Według opisu modelu obsługuje 60 języków i automatycznie rozpoznaje język wypowiedzi. 1

Podawane wartości opóźnienia zależą od opisu i punktu pomiaru. Jedno źródło mówi o pierwszych częściowych wynikach nieco ponad 100 milisekund po otrzymaniu dźwięku, a inne — o pojawianiu się słów mniej więcej 320 milisekund po ich wypowiedzeniu. Ponieważ pomiary zaczynają się w różnych momentach, nie należy traktować ich jako bezpośrednio porównywalnych. 24

W zestawieniu Artificial Analysis dotyczącym strumieniowej transkrypcji model miał zadebiutować na pierwszym miejscu pod względem dokładności. Jedna z relacji podaje końcowy współczynnik błędu słów (WER) na poziomie 2,5 proc. w porównaniu 38 modeli. To wynik testu, a nie obietnica takiej samej dokładności w każdym języku, nagraniu czy zastosowaniu. 34

Podawana cena promocyjna wynosi 0,54 USD za godzinę dźwięku i ma obowiązywać do końca 2026 r. Deweloperzy oceniający model powinni uwzględnić, że jest to oferta czasowa. 435

Dwa warianty generowania głosu

Oba modele Voice zamieniają tekst na mowę, ale mają odpowiadać na różne potrzeby. MAI-Voice-2.1 jest opisywany jako wariant stawiający na ekspresję, natomiast Flash ma być szybszą opcją dla aplikacji, w których ważne jest ograniczenie przerwy między kolejnymi wypowiedziami. Podawana obsługa językowa modeli głosowych obejmuje 23 języki. 63536

Według dostępnych zestawień MAI-Voice-2.1 kosztuje 22 USD za milion znaków, a MAI-Voice-2.1-Flash — 15 USD. Jedna z relacji podaje, że Flash generuje 45 sekund dźwięku przy opóźnieniu 150 milisekund. Należy traktować tę wartość jako raportowany wynik, a nie uniwersalny pomiar czasu odpowiedzi w każdej konfiguracji. 3536

Dostępne materiały nie przedstawiają bezpośrednio porównywalnego publicznego wyniku testu jakości głosu. Wysoka pozycja modelu transkrypcyjnego nie jest więc oceną jakości generowanej mowy w którymkolwiek z wariantów Voice. 3234

Dostęp dla deweloperów i znaczenie premiery

Wszystkie trzy modele są dostępne w Microsoft Foundry jako publiczna wersja testowa. Oznacza to, że deweloperzy mogą je wypróbować, ale nie jest równoznaczne z ogólną dostępnością. 36

Praktycznie Microsoft oferuje teraz własne komponenty zarówno do rozpoznawania mowy, jak i jej generowania — elementy, które można wykorzystać przy budowie agenta głosowego. Może to ułatwić tworzenie warstwy głosowej w ekosystemie narzędzi Microsoftu i ograniczyć potrzebę pozyskiwania tych konkretnych funkcji od innych dostawców. Nie oznacza jednak, że kompletny agent może działać bez zewnętrznych usług: rozumowanie, koordynacja zadań i inne funkcje mogą nadal opierać się na odrębnych modelach lub rozwiązaniach. 639

Co warto zapamiętać

Najbardziej konkretne dane dotyczą modelu transkrypcyjnego: obsługuje 60 języków, zwraca tekst w miarę napływania mowy i — według opublikowanych doniesień — zajął pierwsze miejsce w teście dokładności Artificial Analysis, osiągając końcowy WER na poziomie 2,5 proc. Dwa modele głosowe pozwalają wybierać między większym naciskiem na ekspresję a szybkością; podawana obsługa obejmuje 23 języki, a ceny różnią się w zależności od wariantu. Przed wdrożeniem warto sprawdzić aktualny dostęp do wersji testowej, cennik i opóźnienia w docelowej konfiguracji. 1343536