Microsoft представила три MAI-моделі для транскрипції та синтезу мовлення

Три нові моделі Microsoft MAI охоплюють обидві частини голосової взаємодії: MAI-Transcribe-2-Streaming перетворює живе мовлення на текст, а MAI-Voice-2.1 і MAI-Voice-2.1-Flash озвучують текст. Їх представили для розробників голосових агентів. Усі три моделі доступні в публічній попередній версії через Microsoft Foundry. 3639

Коротко про моделі

Модель	Для чого призначена	Заявлена підтримка мов	Заявлена ціна
MAI-Transcribe-2-Streaming	Потокове розпізнавання мовлення з проміжними оновленнями тексту	60 мов, автоматичне визначення мови	$0,54 за годину аудіо — вступний тариф до кінця 2026 року 435
MAI-Voice-2.1	Виразний синтез мовлення з тексту	23 мови	$22 за мільйон символів 3536
MAI-Voice-2.1-Flash	Швидший синтез мовлення для застосунків, де важлива оперативна відповідь	23 мови для голосових моделей, згідно з оприлюдненими даними	$15 за мільйон символів 3536

Ціни й доступність наведено за опублікованими даними; вони можуть змінюватися. Microsoft окремо називає тариф на транскрипцію вступним. 435

MAI-Transcribe-2-Streaming: текст з’являється під час розмови

Модель не чекає, доки співрозмовник закінчить фразу. Вона приймає безперервний аудіопотік через WebSocket і надсилає проміжні версії транскрипту в міру надходження мовлення. За даними про модель, вона автоматично визначає мову серед 60 підтримуваних. 1

У повідомленнях про швидкість наведено різні показники, які не варто напряму порівнювати. Один звіт зазначає, що перші часткові результати можуть з’явитися трохи більш як за 100 мілісекунд після отримання аудіо. Інший описує появу слів приблизно через 320 мілісекунд після їх вимовляння. Відлік у цих оцінках починається з різних моментів. 24

За повідомленнями про тест Artificial Analysis для потокового розпізнавання, модель дебютувала на першому місці за точністю. В одному зі звітів наведено показник помилки у фінальному тексті — 2,5% серед 38 моделей. Це результат бенчмарку, а не обіцянка такої самої точності для будь-якої мови, якості запису чи застосунку. 34

Заявлена вступна ціна — $0,54 за годину аудіо до кінця 2026 року. Розробникам, які оцінюють витрати, варто врахувати, що тариф обмежений у часі. 435

MAI-Voice-2.1 і Flash: текст перетворюється на голос

Обидві моделі генерують мовлення з тексту, але розраховані на різні пріоритети. MAI-Voice-2.1 описують як більш виразний варіант, а Flash — як швидшу модель для застосунків, де важливо скоротити паузу між репліками. Для голосових моделей заявлено підтримку 23 мов. 63536

За оприлюдненими тарифами, MAI-Voice-2.1 коштує $22 за мільйон символів, а MAI-Voice-2.1-Flash — $15. В одному зі звітів для Flash також наведено показник генерації 45 секунд аудіо із затримкою 150 мілісекунд. Його слід сприймати як повідомлене значення, а не універсальну оцінку повного часу відповіді в будь-якій системі. 3536

У доступних звітах немає безпосередньо зіставного публічного рейтингу якості синтезу для цих голосових моделей. Тому перше місце моделі транскрипції не свідчить про рейтинг MAI-Voice-2.1 чи Flash. 3234

Доступ для розробників і значення запуску

Усі три моделі, за повідомленнями, доступні через Microsoft Foundry у публічній попередній версії. Це дає змогу розробникам випробувати їх, але не означає, що моделі вже перейшли до загальної доступності. 36

Практичний сенс запуску — Microsoft пропонує власні компоненти для розпізнавання й генерації мовлення в межах одного інструментарію для розробників. Це може спростити створення мовного шару голосового агента в екосистемі Microsoft і зменшити потребу залучати інші постачальницькі рішення саме для цих компонентів. Водночас це не означає, що для повноцінного голосового агента більше не потрібні інші моделі чи сервіси: міркування, керування взаємодією та інші функції можуть працювати на окремих системах. 639

Висновок

Найчіткіше порівняти можна модель транскрипції: вона підтримує 60 мов, видає текст поступово й, за наведеними даними, посіла перше місце в тесті Artificial Analysis із 2,5% помилок у фінальному тексті. Дві голосові моделі пропонують вибір між виразністю та швидкістю; для них заявлено 23 мови й різні тарифи за символи. Перед використанням у готовому продукті варто перевірити актуальну доступність, ціну та затримку в потрібній конфігурації. 1343536