‏قیمت MAI-Voice-2.1 Flash مایکروسافت: ۱۵ دلار برای هر میلیون کاراکتر

مایکروسافت برای MAI-Voice-2.1 Flash، نسخه‌ی سریع مدل TTS (یعنی تبدیل متن به گفتار) خودش، ۱۵ دلار برای هر یک میلیون کاراکتر تولیدشده تعیین کرده. در عوض حدود ۱۵۰ میلی‌ثانیه تأخیر end-to-end می‌گیری که برای مکالمه‌ی رفت‌وبرگشتی طبیعی کافیه.

هزینه بر اساس تعداد کاراکتر حساب می‌شه، نه دقیقه‌ی صدا یا تعداد درخواست. یعنی برای پیش‌بینی خرج کافیه حجم متنی که قراره به صدا تبدیل بشه رو تخمین بزنی و ضربش کنی تو نرخ. Flash نسخه‌ی کم‌تأخیر مدل اصلی MAI-Voice-2.1 هست و یه کم از حالت بیانی مدل اصلی رو فدای سرعت می‌کنه.

به گفته‌ی نویسنده، برای دستیارهای زنده مثل پشتیبانی تلفنی، همین ۱۵۰ میلی‌ثانیه خود محصوله، چون کاربر تأخیر تو مکالمه رو سریع حس می‌کنه. ولی برای کارهایی مثل روایت، کتاب صوتی یا ویس‌اوور ضبط‌شده، سرعت ارزش خاصی نداره و احتمالاً مدل استاندارد بهتره. البته قیمت نسخه‌ی استاندارد اعلام نشده. تو تست‌های عملی این قیمت «یه کم گرون» توصیف شده، چون معمولاً «فلش» یعنی گزینه‌ی ارزون‌تر و سبک‌تر.

Flash ویژگی‌های خانواده‌ی MAI-Voice-2.1 رو هم داره: پشتیبانی از ۲۳ زبان با یه صدای ثابت که لهجه‌ی بومی هر زبان رو حفظ می‌کنه. تو تست‌ها تلفظ زبان‌هایی مثل چکی، دانمارکی، ترکی، ایتالیایی و فرانسوی خوب بود، حتی روی جمله‌های سخت.

مایکروسافت کنار این مدل MAI-Transcribe-2 رو هم ارائه می‌ده، یه مدل گفتار به متن استریمی که اولین متن ناقص رو تو کمی بیشتر از ۱۰۰ میلی‌ثانیه برمی‌گردونه، از ۶۰ زبان پشتیبانی می‌کنه و با نرخ خطای کلمه حدود ۲.۵٪ اول جدول Artificial Analysis هست. این دو تا با هم یه چرخه‌ی «شنیدن، فکر کردن، حرف زدن» می‌سازن تا مدل استدلالی وقت بیشتری برای فکر کردن داشته باشه.

محدودیت مهمی که تو تست‌ها دیده شد، نرخ بالای رد کردن بود. دستیار صوتی حتی سؤال‌های بی‌خطر ولی کمی عجیب رو هم با «متأسفم، نمی‌تونم کمکی کنم» جواب می‌داد. نویسنده توصیه می‌کنه قبل از خرج کردن، این رفتار رو روی کاربرد خودت تست کنی، چون ممکنه کلی تنظیم پرامپت و guardrail لازم داشته باشه.

نکات کلیدی:

• قیمت MAI-Voice-2.1 Flash، ۱۵ دلار برای هر یک میلیون کاراکتره و بر اساس کاراکتر حساب می‌شه.
• تأخیر end-to-end حدود ۱۵۰ میلی‌ثانیه‌ست.
• خانواده‌ی MAI-Voice-2.1 از ۲۳ زبان با صدای ثابت و لهجه‌ی بومی پشتیبانی می‌کنه.
• MAI-Transcribe-2 از ۶۰ زبان پشتیبانی می‌کنه و نرخ خطای کلمه‌ش حدود ۲.۵٪ هست.
• قیمت نسخه‌ی استاندارد MAI-Voice-2.1 اعلام نشده.
• دستیار نمونه حتی درخواست‌های بی‌خطر رو هم زیاد رد می‌کرد.