‏MAI-Voice-2.1 و MAI-Transcribe-2: مدل‌های صوتی تازه‌ی مایکروسافت

مایکروسافت دو مدل صوتی تازه داده که هدفشون اینه دستیار صوتی تو تماس مثل آدم واقعی حرف بزنه و جواب بده. MAI-Transcribe-2 بخش STT (یعنی تبدیل گفتار به متن) هست و MAI-Voice-2.1 بخش TTS (یعنی تبدیل متن به گفتار). کنار هم یه چرخه‌ی سریع «شنیدن، فکر کردن، حرف زدن» می‌سازن.

MAI-Transcribe-2 استریمی کار می‌کنه، از ۶۰ زبان پشتیبانی می‌کنه و اولین متن ناقص رو تو کمی بیشتر از ۱۰۰ میلی‌ثانیه برمی‌گردونه. دو حالت خروجی داره: متن کلمه‌به‌کلمه و یه نسخه‌ی تمیز که مکث‌ها و تکرارهای حرف زدن رو حذف می‌کنه. مایکروسافت می‌گه با نرخ خطای کلمه حدود ۲.۵٪ اول جدول دقت Artificial Analysis هست.

تو تست روی روسی، اسپانیایی، عربی، پرتغالی برزیلی، هندی و اردو نتیجه سریع و دقیق بود، فقط اردو کندتر پردازش شد.

MAI-Voice-2.1 به گفته‌ی مایکروسافت پربیان‌ترین مدل TTS خودشه. از ۲۳ زبان پشتیبانی می‌کنه و یه صدا تو همه‌ی زبان‌ها هویت و لهجه‌ی بومیش رو نگه می‌داره. تو playground می‌شه لحن رو با پریست‌هایی مثل narrator، آموزشی، call center و agent تنظیم کرد. تو تست چکی، چینی، دانمارکی، ایتالیایی، اندونزیایی، هلندی و فرانسوی تلفظ طبیعی بود، حتی روی یه جمله‌ی سخت چکی.

یه نسخه‌ی flash هم هست که یه کم از حالت بیانی رو فدای سرعت می‌کنه. تأخیرش حدود ۱۵۰ میلی‌ثانیه‌ست ولی قیمتش ۱۵ دلار برای هر یک میلیون کاراکتره که نویسنده گرون می‌دونه.

تو یه دموی زنده با دستیاری به اسم «Harper»، وقتی کاربر وسط حرف مدل پرید، مدل تمیز ساکت شد و ورودی جدید رو گرفت. به گفته‌ی نویسنده این از دقت تلفظ مهم‌تره، چون مدلی که نذاره وسط حرفش بپری هنوز مصنوعی حس می‌شه.

ولی همین دستیار تقریباً هر درخواست کمی عجیب ولی بی‌خطر رو با «متأسفم، نمی‌تونم کمکی کنم» رد می‌کرد. نویسنده می‌گه این یه انتخاب تو طراحی guardrail هست، ولی برای محصول واقعی مهمه.

ایراد دیگه اینه که هیچ‌کدوم open weights ندارن. یعنی نمی‌شه لوکال یا روی سرور خودت اجراشون کنی و فقط از طریق playground و API مایکروسافت در دسترسن.

نکات کلیدی:

• MAI-Transcribe-2 از ۶۰ زبان پشتیبانی می‌کنه و اولین متن ناقص رو تو حدود ۱۰۰ میلی‌ثانیه می‌ده.
• نرخ خطای کلمه‌ی MAI-Transcribe-2 حدود ۲.۵٪ هست.
• MAI-Voice-2.1 از ۲۳ زبان با یه صدای ثابت و لهجه‌ی بومی پشتیبانی می‌کنه.
• نسخه‌ی flash حدود ۱۵۰ میلی‌ثانیه تأخیر داره و ۱۵ دلار برای هر میلیون کاراکتر قیمت داره.
• هیچ‌کدوم از دو مدل open weights ندارن.
• دستیار نمونه حتی درخواست‌های بی‌خطر رو هم زیاد رد می‌کرد.