01 क्या हुआ
Microsoft ने Microsoft Foundry में तीन MAI मॉडल की घोषणा की: MAI-Transcribe-2-Streaming स्ट्रीमिंग स्पीच ट्रांसक्रिप्शन के लिए, MAI-Voice-2.1 बहुभाषी टेक्स्ट-टू-स्पीच के लिए, और MAI-Voice-2.1-Flash उत्तरदायी, उच्च-मात्रा वॉयस एप्लिकेशन के लिए। ये तीनों Azure Speech और Microsoft Foundry के प्रत्यक्ष API एक्सेस के माध्यम से उपलब्ध हैं।
02 मुख्य विवरण
- MAI-Transcribe-2-Streaming 60 भाषाओं में लगातार भाषण को लिपिबद्ध करता है और भाषा अपने आप पहचानता है। ऑडियो मिलने के कुछ सौ मिलीसेकंड के भीतर शुरुआती आंशिक ट्रांसक्रिप्ट आते हैं; कथन पूरा होने पर ट्रांसक्रिप्ट स्थिर हो जाता है।
- माइक्रोसॉफ्ट के अनुसार, मॉडल ने Artificial Analysis लीडरबोर्ड पर आंशिक और अंतिम ट्रांसक्रिप्ट सटीकता में #1 स्थान पर शुरुआत की। अधिकांश मामलों में, शब्द बोले जाने के 320 मिलीसेकंड के भीतर ट्रांसक्रिप्ट में दिखाई देते हैं, जबकि निकटतम प्रतियोगी को 500 मिलीसेकंड से अधिक लगते हैं।
- MAI-Voice-2.1 समर्थित 23 भाषाओं में आवाज़ की एक जैसी विशेषताएँ बनाए रखते हुए भाषण तैयार करता है। Microsoft की दी गई तुलना, जो ElevenLabs दस्तावेज़ों को उद्धृत करती है, के अनुसार MAI-Voice-2.1-Flash अपने वर्ग के प्रतिस्पर्धी मॉडलों से 55% तेज़ और 60% सस्ता है।
- MAI-Transcribe-2-Streaming की परिचयात्मक कीमत $0.54/घंटा (साल के अंत तक)। MAI-Voice-2.1: $22/1M अक्षर, MAI-Voice-2.1-Flash: $15/1M अक्षर। OpenRouter, Vercel, LiveKit केवल योजना में शामिल प्लेटफॉर्म हैं।
03 यह क्यों महत्वपूर्ण है
वॉयस एजेंट डेवलपर्स पहले कुछ सौ मिलीसेकंड के भीतर पहले आंशिक परिणामों के साथ स्ट्रीमिंग ट्रांसक्रिप्शन और दो टेक्स्ट-टू-स्पीच मॉडलों में से किसी एक का उपयोग कर सकते हैं। प्रति घंटा ऑडियो और प्रति 10 लाख कैरेक्टर की प्रकाशित कीमतें लागत नियोजन में सहायता करती हैं। माइक्रोसॉफ्ट के प्रदर्शन दावों की यहां स्वतंत्र रूप से पुष्टि नहीं की गई है।
04 किनके लिए महत्वपूर्ण है
वॉयस इंटरफेस डेवलपर्स, सर्विस एप्लिकेशन डेवलपर्स, AI एजेंट डेवलपर्स और TTS मॉडल चुनने वाली टीमें।