माइक्रोसॉफ्ट AI ने वॉइस एजेंट्स के लिए स्ट्रीमिंग ट्रांसक्रिप्शन और टेक्स्ट-टू-स्पीच मॉडल पेश किए

माइक्रोसॉफ्ट AI ने एक नया रियल-टाइम ट्रांसक्रिप्शन इंजन और दो टेक्स्ट-टू-स्पीच मॉडल पेश किए हैं, यह पैकेज उन डेवलपर्स के लिए बनाया गया है जो संवादात्मक वॉइस एजेंट्स तैयार करते हैं। The Decoder द्वारा 2 अक्टूबर, 2026 को रिपोर्ट किए गए इस रिलीज़ में कंपनी की MAI मॉडल श्रृंखला में स्ट्रीमिंग स्पीच रिकग्निशन और बहुभाषी सिंथेसिस जोड़ा गया है, जिससे बिल्डर्स को एक ही विक्रेता से लगभग पूरा सुनने-और-बोलने वाला स्टैक मिलता है।

लेटेंसी बन जाती है विभाजक रेखा

मुख्य मॉडल, MAI-Transcribe-2-Streaming, भाषण को वाक्य पूरा होने के बाद के बजाय उसी समय टेक्स्ट में बदलने के लिए डिज़ाइन किया गया है। माइक्रोसॉफ्ट का कहना है कि यह अपना पहला आंशिक आउटपुट 100 मिलीसेकंड से थोड़े अधिक समय में देता है, यह आंकड़ा वॉइस इंटरफ़ेस बनाने वाले किसी भी व्यक्ति के लिए कच्ची सटीकता से अधिक मायने रखता है।

कंपनी यह भी दावा करती है कि यह मॉडल Artificial Analysis, एक तृतीय-पक्ष मूल्यांकन साइट, द्वारा ट्रैक की जाने वाली सटीकता रैंकिंग में शीर्ष पर है। यदि यह स्वतंत्र जांच में टिकता है, तो यह माइक्रोसॉफ्ट को गति और सटीकता का एक दुर्लभ संयोजन देगा — दो ऐसे गुण जो आमतौर पर तब तनाव में होते हैं जब स्पीच रिकग्नाइज़र को वक्ता के विचार पूरा करने से पहले ही किसी व्याख्या पर अड़ना पड़ता है।

वाक्य के बीच में प्रतिक्रियाएँ बातचीत को क्यों बदल देती हैं

शब्दावली कवरेज 60 भाषाओं तक फैली है। लेकिन अधिक महत्वपूर्ण डिज़ाइन विकल्प स्वयं स्ट्रीमिंग आर्किटेक्चर है: क्योंकि आंशिक परिणाम लगभग तुरंत आते हैं, एक एजेंट उपयोगकर्ता के अभी बोलते रहते हुए ही उत्तर बनाना शुरू कर सकता है। यही अंतर है एक ऐसे सिस्टम के बीच जो वॉकी-टॉकी जैसा महसूस होता है और एक ऐसे सिस्टम के बीच जो ऐसे व्यक्ति की तरह व्यवहार करता है जो अनुमान लगाता है कि वाक्य किस ओर जा रहा है।

वर्ष के अंत तक, माइक्रोसॉफ्ट इस सेवा की कीमत प्रोसेस किए गए प्रत्येक घंटे के ऑडियो के लिए शुरुआती $0.54 पर रख रही है। उच्च-मात्रा वाले कॉल सेंटरों या हमेशा-चालू रहने वाले सहायकों के लिए, यह दर वह संख्या है जो तय करेगी कि गति का लाभ वास्तविक तैनाती में बदलता है या नहीं।

23 भाषाओं में एक ही आवाज़

सिंथेसिस पक्ष पर, MAI-Voice-2.1 को 23 भाषाएँ बोलने के लिए बनाया गया है, जबकि यह अपनी समान स्वर-पहचान बनाए रखता है और प्रत्येक में देशी उच्चारण अपनाता है। प्रत्येक स्थान के लिए अलग-सुनाई देने वाला वक्ता बदलने के बजाय, मॉडल का लक्ष्य एक सुसंगत व्यक्तित्व बनाए रखना है — एक ऐसा गुण जिसकी ब्रांड और उत्पाद टीमें तब परवाह करती हैं जब कोई सहायक किसी सेवा का पहचानने योग्य हिस्सा बन जाता है।

एक दूसरा प्रकार, MAI-Voice-2.1-Flash, उस समृद्धि का कुछ हिस्सा गति के लिए छोड़ देता है। माइक्रोसॉफ्ट 150 मिलीसेकंड की लेटेंसी और प्रति मिलियन अक्षरों पर $15 की कीमत बताता है, जो मानक मॉडल के $22 से कम है।

वॉइस एजेंट्स के लिए मूल्य निर्धारण का गणित

लागत संरचना अक्सर यह तय करती है कि कोई स्टार्टअप किस मॉडल पर निर्माण करता है, और माइक्रोसॉफ्ट ने डेवलपर्स को एक स्पष्ट सीढ़ी दी है:

• ट्रांसक्रिप्शन: शुरुआती दर पर प्रति घंटा ऑडियो $0.54, जो वर्ष के अंत तक मान्य है।
• सिंथेसिस (मानक): MAI-Voice-2.1, जिसमें पूर्ण बहुभाषी वॉइस व्यवहार है।
• सिंथेसिस (तेज़): MAI-Voice-2.1-Flash, 150 मिलीसेकंड की लेटेंसी और प्रति मिलियन अक्षरों पर $15, बनाम मानक स्तर के लिए $22।

ये आंकड़े कंपनी को स्पीच विक्रेताओं के एक भीड़-भाड़ वाले क्षेत्र में सीधी प्रतिस्पर्धा में खड़ा करते हैं, जहाँ प्रति-अक्षर और प्रति-मिनट दरों की जाँच बेंचमार्क स्कोर की तरह ही बारीकी से की जाती है।

आवाज़ों की क्लोनिंग — सुरक्षा उपायों के साथ

दोनों वॉइस मॉडल केवल कुछ सेकंड के संदर्भ ऑडियो से किसी वक्ता की आवाज़ पुनः उत्पन्न कर सकते हैं। यह क्षमता एक्सेसिबिलिटी टूल्स, लोकलाइज़ेशन और व्यक्तिगत सहायकों के लिए शक्तिशाली है, और प्रतिरूपण के माध्यम के रूप में भी उतनी ही शक्तिशाली है। माइक्रोसॉफ्ट का कहना है कि अंतर्निहित सुरक्षा उपाय दुरुपयोग को रोकने के लिए हैं, हालाँकि उन गार्डरेल्स की कार्यप्रणाली सार्वजनिक रूप से स्पष्ट नहीं की गई है।

डेवलपर्स मॉडल कहाँ से प्राप्त कर सकते हैं

मॉडल Microsoft Foundry और MAI Playground सहित अन्य वितरण चैनलों के माध्यम से उपलब्ध हैं। दोनों वॉइस मॉडल OpenRouter पर भी दिखाई देते हैं, जो डेवलपर्स को एक ही प्रदाता के लिए प्रतिबद्ध हुए बिना प्रतिस्पर्धी मॉडलों के साथ अनुरोध रूट करने का तरीका देता है।

अनकैनी वैली, मापी गई

माइक्रोसॉफ्ट ने एक परीक्षण चलाया जिसमें लगभग 4,000 प्रतिभागियों ने सिंथेसाइज़्ड आवाज़ों को सुना। उनमें से लगभग आधे ने माना कि वे एक वास्तविक व्यक्ति को सुन रहे हैं। यह परिणाम दोनों तरफ़ काटता है: यह सुझाव देता है कि मॉडलों ने एक सार्थक यथार्थवाद सीमा पार कर ली है, और यह संकेत देता है कि श्रोताओं द्वारा सिंथेटिक भाषण को मानव के रूप में विश्वसनीय रूप से स्वीकार किए जाने से पहले कितनी दूरी बाकी है।

उत्पाद डिज़ाइनरों के लिए, निष्कर्ष यह है कि शेष संदेह समान रूप से वितरित नहीं है। एक छोटे परीक्षण में धोखा खाए श्रोता तब अलग तरह से प्रतिक्रिया दे सकते हैं जब कोई क्लोन की गई आवाज़ खाता विवरण या डिलीवरी निर्देश माँगती है, ऐसे संदर्भ जहाँ प्रामाणिकता की अपेक्षाएँ अधिक होती हैं।

क्या अभी असत्यापित है

घोषणा में कई प्रमुख दावे स्वयं माइक्रोसॉफ्ट से आते हैं। ट्रांसक्रिप्शन सटीकता रैंकिंग का स्वतंत्र मूल्यांकन, वास्तविक नेटवर्क स्थितियों के तहत लेटेंसी के आंकड़े, और क्लोनिंग सुरक्षा उपायों की मज़बूती सभी खुले प्रश्न बने हुए हैं:

• Artificial Analysis सटीकता रैंकिंग माइक्रोसॉफ्ट द्वारा दावा की गई है और बाहरी परीक्षण से अभी पुष्ट नहीं हुई है।
• लेटेंसी संख्याएँ मॉडल के व्यवहार का वर्णन करती हैं और उत्पादन में एंड-टू-एंड प्रदर्शन को प्रतिबिंबित नहीं कर सकती हैं।
• वॉइस-क्लोनिंग दुरुपयोग के विरुद्ध सुरक्षा उपायों का वर्णन केवल सामान्य शब्दों में किया गया है।

स्टैक का मूल्यांकन करने वाले डेवलपर्स प्रकाशित आंकड़ों को आधार मानने से पहले इसे अपने स्वयं के ऑडियो — उच्चारण-युक्त भाषण, शोर भरे वातावरण, एक साथ बोलने वाले वक्ता — के विरुद्ध परखना चाहेंगे।

यह क्यों मायने रखता है

वॉइस एजेंट्स को भाषा समझने से कम, बारी-बारी बोलने की यांत्रिकी से अधिक बाधित किया गया है। एक ऐसा सिस्टम जो मौन की प्रतीक्षा करता है, संवादात्मक महसूस नहीं हो सकता। आंशिक ट्रांसक्रिप्शन को मानव प्रतिक्रिया की सीमा से नीचे धकेलकर और उसे सेकंड के एक अंश में चलने वाले सिंथेसिस के साथ जोड़कर, माइक्रोसॉफ्ट यह दांव लगा रहा है कि सहायकों की अगली लहर का मूल्यांकन बुद्धिमत्ता के साथ-साथ लय पर भी किया जाएगा। असली दुनिया के भार में मूल्य निर्धारण और सुरक्षा उपाय टिकते हैं या नहीं, यही अगली परीक्षा है।

यह लेख The Decoder की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।