Microsoft Ra Mắt 3 Model Mới Cho Agent Giọng Nói

MAI-Transcribe-2-Streaming là model chuyển lời nói sang văn bản theo thời gian thực. Microsoft nói model này hỗ trợ hơn 60 ngôn ngữ và cho kết quả đầu tiên sau hơn 100 mili giây.

Microsoft nói giá khởi điểm của model này là 0,54 đô la cho mỗi giờ âm thanh đến hết năm. Công ty cho biết model có mặt trên Microsoft Foundry, MAI Playground và một số nền tảng khác.

MAI-Voice-2.1 được thiết kế để nói 23 ngôn ngữ bằng cùng một giọng, với giọng địa phương ở mỗi ngôn ngữ. MAI-Voice-2.1-Flash có độ trễ 150 mili giây và giá 15 đô la cho mỗi 1 triệu ký tự, thay vì 22 đô la.

Hai model giọng nói có thể sao chép giọng từ chỉ vài giây âm thanh mẫu. Microsoft nói có các biện pháp bảo vệ tích hợp để ngăn lạm dụng, và trong một thử nghiệm với 4.000 người tham gia, khoảng một nửa nghĩ giọng nói là của người thật.