Microsoft öz MAI süni intellekt ailəsini genişləndirərək nitqlə işləmək üçün üç yeni audio model təqdim edib. Yeniliklər arasında əsas diqqəti MAI-Transcribe-2-Streaming modeli çəkir. Bu, Microsoft-un nitqi real vaxt rejimində mətnə çevirmək üçün hazırladığı ilk axın əsaslı süni intellekt modelidir.
Adi MAI-Transcribe-2 modeli yalnız əvvəlcədən hazırlanmış audio faylları emal etdiyi halda, Streaming versiyası səs siqnalını qəbul etdikdən cəmi 100 millisaniyə sonra mətnin ilk hissələrini göstərməyə başlayır. Danışıq davam etdikcə model yeni konteksti nəzərə alır və ekranda göstərilən sözləri daim yeniləyərək yekunda daha dəqiq mətn formalaşdırır.
Model danışıq zamanı 60 dili avtomatik müəyyənləşdirə və həmin dillər arasında fasiləsiz keçid edə bilir. Microsoft-un daxili testlərinə görə, diktə və subtitr hazırlanması zamanı sözlər ekranda şirkətin “ən yaxın rəqibindən” iki dəfə daha sürətli görünür. Microsoft isə həmin rəqibin adını açıqlamayıb.
Şirkət bununla yanaşı, Azure Voice Live platformasında daha əvvəl istifadə olunan texnologiyaların imkanlarını genişləndirən iki yeni generativ səs modeli də təqdim edib. Flagman model MAI-Voice-2.1 26 lokalda 23 dili dəstəkləyir. Bu texnologiya bir dildə yaradılmış səsin danışıq zamanı digər dillərə keçməsinə, eyni zamanda danışanın səs kimliyinin və həmin dilə uyğun təbii aksentinin qorunmasına imkan verir.
Daha yüksək yüklə işləyən sistemlər üçün MAI-Voice-2.1-Flash adlı daha yüngül versiya da təqdim olunub. Model təxminən 150 millisaniyə gecikmə ilə 45 saniyəlik audio sintez edə bilir. Microsoft-un məlumatına görə, bu versiya müqayisə edilən analoqlardan 55% daha sürətli və 60% daha ucuzdur. Şirkət həmin analoqların adlarını açıqlamayıb.
Hər iki səs modeli bir neçə saniyəlik nümunə əsasında müəllif hüquqları ilə qorunan səslərin təhlükəsiz şəkildə klonlaşdırılmasını da dəstəkləyir. Bu funksiya müəyyən səs nümunəsindən istifadə edərək həmin səsə bənzər nitq yaratmağa imkan verir.
Microsoft-un bildirdiyinə görə, hər üç yeni model artıq tərtibatçılar üçün Microsoft Foundry, MAI Playground, Azure Voice Live və Vercel platformalarında əlçatandır. MAI-Transcribe-2-Streaming üçün 2026-cı ilin sonuna qədər sınaq tarifi tətbiq olunur və bir saatlıq audio axınının emalı 0,54 dollar təşkil edir.
Səs sintezi üçün isə MAI-Voice-2.1 modelində 1 milyon simvolun qiyməti 22 dollar, Flash versiyasında isə 15 dollar müəyyənləşdirilib.
