Microsoft AI, MAI-Transcribe-2-Streaming gerçek zamanlı transkripsiyon ve MAMicrosoft AI releases MAI-Transcribe-2-Streaming for real-time transcription and MA

ÖzetSummary

Microsoft AI, 60 dili destekleyen ve ilk kısmi gecikme süresi yaklaşık 100 ms olan gerçek zamanlı transkripsiyon modeli MAI-Transcribe-2-Streaming'i tanıttı. Bu modele, birkaç saniyelik ses kaydından ses klonlayabilen çok dilli metinden sese dönüştürme modeli MAI-Voice-2.1 eşlik ediyor. Her iki model de giriş fiyatlarıyla Microsoft Foundry, MAI Playground ve OpenRouter üzerinden erişime sunuldu.Microsoft AI has introduced MAI-Transcribe-2-Streaming, a real-time transcription model supporting 60 languages with an initial partial latency of approximately 100 ms. This is accompanied by MAI-Voice-2.1, a multilingual text-to-speech model capable of cloning voices from just a few seconds of audio. Both models are available at introductory prices via Microsoft Foundry, MAI Playground, and OpenRouter.

Neden ÖnemliWhy it matters

100 ms'nin altındaki transkripsiyon gecikmesi, sesli ajanların cümle ortasında kesintiye uğrayıp yanıt vermesini sağlayan bir eşiğin altındadır. Bu, doğal konuşma yeteneğine sahip yapay zekâya geçişte anlamlı bir adımdır. Yerel aksanlara sahip 23 dilli tek sesli metinden sese dönüştürme ve 150 ms gecikmeli Flash sürümü, çok dilli tutarlılığın uzun süredir bir eksiklik olduğu bir pazara hitap ediyor. Transkripsiyon için saatte 0,54 dolarlık fiyat, giriş döneminde mevcut birçok gerçek zamanlı STT sunumunun altında kalıyor.Transcription latency under 100 ms falls below the threshold that allows voice agents to interrupt mid-sentence and respond, marking a significant step toward AI with natural conversational abilities. The 23-language single-voice text-to-speech with local accents and the 150 ms latency Flash version address a market where multilingual consistency has long been a gap. The $0.54 per hour transcription price is lower than many real-time STT offerings currently available during the introductory period.

Öne ÇıkanlarHighlights

• İlk kısmi sonuç yaklaşık 100 ms'de gelen, 60 dilli gerçek zamanlı STT; Microsoft, Artificial Analysis'ta #1 doğruluk iddiasında bulunuyor60-language real-time STT with initial partial results in ~100 ms; Microsoft claims #1 accuracy on Artificial Analysis
• MAI-Voice-2.1-Flash: 150 ms TTS gecikmesi, 150 ms Flash sürümü, 23 dilde tek ve tutarlı ses, 15 dolar/1M karakter (22 dolardan düşüş)MAI-Voice-2.1-Flash: 150 ms TTS latency, 150 ms Flash version, single and consistent voice in 23 languages, $15/1M characters (down from $22)
• Birkaç saniyelik referans sesinden ses klonlama, belirsiz 'yerleşik güvenlik önlemleri' ile; 4.000 test dinleyicisinin yaklaşık %50'si çıktıyı insana ait sanıyorVoice cloning from a few seconds of reference audio with vague 'built-in safety measures'; approximately 50% of 4,000 test listeners perceived the output as human

EleştiriCritical take

En yüksek doğruluk sıralaması, 100 ms gecikme süresi ve %50'lik insan yanılsaması testi dahil olmak üzere tüm başlık metrikleri Microsoft'un kendi sunumundan geliyor. Makale, bu iddiaları doğrulamak için bağımsız bir kıyaslama veya yöntem sunmuyor. Ses klonlamaya ilişkin 'yerleşik güvenlik önlemleri' tek ve muğlak bir cümleyle anlatılıyor. Bu da onay ve kötüye kullanım önleme mekanizmalarının tamamen belirsiz kalmasına yol açıyor.All headline metrics, including the top accuracy ranking, 100 ms latency, and the 50% human illusion test, come from Microsoft's own presentation. The article provides no independent benchmarks or methodology to verify these claims. The 'built-in safety measures' regarding voice cloning are described in a single, ambiguous sentence, leaving consent and misuse prevention mechanisms entirely unclear.