รู้จัก MAI 3 โมเดลเสียงใหม่ของไมโครซอฟท์ เทียบฟีเจอร์ ราคา และช่องทางทดลอง

ไมโครซอฟท์เปิดตัวโมเดลเสียงตระกูล MAI ใหม่ 3 รุ่นสำหรับนักพัฒนาที่ต้องการสร้าง AI สนทนาด้วยเสียง: MAI-Transcribe-2-Streaming ถอดเสียงพูดสดเป็นข้อความ ส่วน MAI-Voice-2.1 และ MAI-Voice-2.1-Flash แปลงข้อความเป็นเสียงพูด ทั้งสามรุ่นเปิดให้ทดลองในสถานะ public preview ผ่าน Microsoft Foundry ซึ่งเป็นแพลตฟอร์มสำหรับนักพัฒนาของไมโครซอฟท์ 3639

สรุปความแตกต่างในตารางเดียว

โมเดล	หน้าที่หลัก	ภาษาที่มีรายงานว่ารองรับ	ราคาที่มีรายงาน
MAI-Transcribe-2-Streaming	ถอดเสียงสด พร้อมส่งข้อความทยอยอัปเดต	60 ภาษา และตรวจจับภาษาอัตโนมัติ	0.54 ดอลลาร์ต่อชั่วโมงเสียง เป็นราคาเริ่มต้นถึงสิ้นปี 2026 435
MAI-Voice-2.1	แปลงข้อความเป็นเสียง โดยเน้นการถ่ายทอดน้ำเสียง	23 ภาษา	22 ดอลลาร์ต่อหนึ่งล้านตัวอักษร 3536
MAI-Voice-2.1-Flash	แปลงข้อความเป็นเสียง โดยเน้นความเร็วในการตอบสนอง	23 ภาษา ตามข้อมูลที่รายงานสำหรับโมเดลเสียง	15 ดอลลาร์ต่อหนึ่งล้านตัวอักษร 3536

ตัวเลขเหล่านี้เป็นข้อมูลราคาที่มีการรายงาน ไม่ใช่การรับรองว่าราคาหรือเงื่อนไขการเข้าถึงจะคงเดิม โดยเฉพาะราคาโมเดลถอดเสียงที่ระบุว่าเป็นราคาโปรโมชัน 435

MAI-Transcribe-2-Streaming: ถอดเสียงระหว่างที่ยังพูด

ระบบถอดเสียงทั่วไปอาจรอให้ผู้พูดพูดจบก่อนจึงแสดงข้อความ แต่ MAI-Transcribe-2-Streaming ส่งข้อความบางส่วนออกมาได้ในระหว่างที่เสียงยังเข้ามา โมเดลรับเสียงต่อเนื่องผ่าน WebSocket และมีรายงานว่าตรวจจับภาษาโดยอัตโนมัติได้ใน 60 ภาษา 1

รายงานเรื่องความหน่วงระบุจุดเริ่มจับเวลาต่างกัน แหล่งหนึ่งระบุว่าโมเดลเริ่มแสดงผลเบื้องต้นได้หลังรับเสียงเพียงเล็กน้อยกว่า 100 มิลลิวินาที ขณะที่อีกแหล่งระบุว่าคำเริ่มปรากฏราว 320 มิลลิวินาทีหลังพูด เนื่องจากใช้จุดเริ่มวัดคนละแบบ จึงไม่ควรนำตัวเลขทั้งสองมาเทียบกันตรง ๆ 24

ด้านความแม่นยำ มีรายงานว่าโมเดลเปิดตัวในอันดับ 1 บนการทดสอบถอดเสียงแบบสตรีมมิงของ Artificial Analysis โดยรายงานหนึ่งระบุค่า Word Error Rate (WER) ของข้อความฉบับสุดท้ายที่ 2.5% จากโมเดลทั้งหมด 38 รุ่น นี่เป็นผลการทดสอบที่มีการรายงาน ไม่ใช่การรับประกันผลลัพธ์ในทุกภาษา สภาพแวดล้อมการบันทึกเสียง หรือการใช้งานจริง 34

ราคาที่ระบุสำหรับช่วงโปรโมชันคือ 0.54 ดอลลาร์ต่อชั่วโมงเสียง จนถึงสิ้นปี 2026 นักพัฒนาที่กำลังประเมินต้นทุนจึงควรคำนึงว่าราคานี้มีกรอบเวลา 435

MAI-Voice-2.1 กับ Flash: เลือกน้ำเสียงหรือความเร็ว

โมเดลทั้งคู่สร้างเสียงพูดจากข้อความ แต่เน้นคนละด้าน โดย MAI-Voice-2.1 วางตำแหน่งเป็นตัวเลือกที่ถ่ายทอดอารมณ์และน้ำเสียงได้มากกว่า ส่วน Flash เป็นรุ่นที่เน้นความเร็ว เหมาะกับงานที่ต้องลดช่วงรอก่อนเสียงตอบกลับ รายงานระบุว่าโมเดลเสียงรองรับ 23 ภาษา 63536

ราคาที่มีการรายงานอยู่ที่ 22 ดอลลาร์ต่อหนึ่งล้านตัวอักษรสำหรับ MAI-Voice-2.1 และ 15 ดอลลาร์ต่อหนึ่งล้านตัวอักษรสำหรับ Flash ส่วนตัวเลขที่ว่า Flash สร้างเสียงความยาว 45 วินาทีด้วยความหน่วง 150 มิลลิวินาทีเป็นข้อมูลจากรายงาน ไม่ควรตีความว่าเป็นเวลาตอบสนองตั้งแต่ต้นจนจบที่รับประกันได้ในทุกระบบ 3536

ข้อมูลที่มีไม่ได้แสดงคะแนนทดสอบสาธารณะที่นำคุณภาพเสียงของทั้งสองรุ่นมาเปรียบเทียบกันได้โดยตรง และอันดับความแม่นยำของโมเดลถอดเสียงก็ไม่ใช่อันดับคุณภาพของโมเดลสร้างเสียง 3234

เปิดให้ทดลองแล้ว แต่ยังเป็นช่วงพรีวิว

มีรายงานว่าโมเดลทั้งสามเปิดให้ทดลองผ่าน Microsoft Foundry ในสถานะ public preview ซึ่งเปิดโอกาสให้นักพัฒนาทดลองใช้งาน แต่ไม่เท่ากับการประกาศว่าพร้อมให้บริการทั่วไปแล้ว 36

สำหรับนักพัฒนา จุดเปลี่ยนสำคัญคือไมโครซอฟท์มีองค์ประกอบสำหรับทั้งการรับเสียงพูดและการสร้างเสียงพูดในระบบของตัวเองมากขึ้น จึงอาจช่วยให้สร้างส่วนงานเสียงของเอเจนต์สนทนาภายในระบบนิเวศของไมโครซอฟท์ได้สะดวกขึ้น และลดความจำเป็นในการหาโมเดลจากผู้ให้บริการรายอื่นสำหรับองค์ประกอบเหล่านี้ อย่างไรก็ตาม ข้อมูลนี้ไม่ได้ยืนยันว่าเอเจนต์เสียงทั้งระบบจะทำงานได้โดยไม่ใช้บริการภายนอก เพราะงานให้เหตุผล การประสานลำดับงาน และความสามารถอื่น ๆ อาจยังต้องพึ่งโมเดลหรือบริการคนละส่วน 639

สรุป: จุดเด่นอยู่ที่ถอดเสียงสด ส่วนโมเดลเสียงมีให้เลือกระหว่างสองแนวทาง

MAI-Transcribe-2-Streaming รองรับ 60 ภาษา ส่งข้อความระหว่างพูด และมีรายงานว่าได้อันดับสูงสุดด้านความแม่นยำบน Artificial Analysis พร้อมค่า WER ของข้อความฉบับสุดท้ายที่ 2.5% ส่วนโมเดลสร้างเสียงสองรุ่นให้เลือกตามความสำคัญระหว่างการถ่ายทอดน้ำเสียงกับความเร็ว โดยมีรายงานว่ารองรับ 23 ภาษาและคิดราคาต่อจำนวนตัวอักษรที่ต่างกัน ก่อนตัดสินใจใช้งานจริง นักพัฒนาควรตรวจสอบสิทธิ์เข้าถึง ราคา และความหน่วงล่าสุดกับรูปแบบการใช้งานของตน 1343536