मायक्रोसॉफ्ट एआयने व्हॉइस एजंट्ससाठी स्ट्रीमिंग ट्रान्सक्रिप्शन आणि टेक्स्ट-टू-स्पीच मॉडेल्स सादर केली

मायक्रोसॉफ्ट एआयने संभाषणात्मक व्हॉइस एजंट्स तयार करणाऱ्या विकसकांसाठी एक नवीन रिअल-टाइम ट्रान्सक्रिप्शन इंजिन आणि दोन टेक्स्ट-टू-स्पीच मॉडेल्सचा संच सादर केला आहे. २ ऑक्टोबर २०२६ रोजी द डिकोडरने दिलेल्या वृत्तानुसार, या प्रकाशनामुळे कंपनीच्या MAI मॉडेल श्रेणीत स्ट्रीमिंग स्पीच रेकग्निशन आणि बहुभाषिक संश्लेषण जोडले गेले आहे, ज्यामुळे बिल्डर्सना एकाच विक्रेत्याकडून जवळजवळ पूर्ण ऐकणे-आणि-बोलणे स्टॅक मिळतो.

लेटन्सी ही विभाजक रेषा ठरते

मुख्य मॉडेल, MAI-Transcribe-2-Streaming, वाक्य पूर्ण झाल्यानंतर नाही तर बोलले जात असतानाच भाषणाचे मजकुरात रूपांतर करण्यासाठी तयार केले आहे. मायक्रोसॉफ्टच्या मते, ते १०० मिलिसेकंदांपेक्षा थोड्या जास्त वेळात त्याचे पहिले आंशिक आउटपुट तयार करते, हा आकडा व्हॉइस इंटरफेस तयार करणाऱ्या कोणासाठीही कच्च्या अचूकतेपेक्षा अधिक महत्त्वाचा आहे.

कंपनीचा असा दावा आहे की हे मॉडेल आर्टिफिशियल अॅनालिसिस, एक तृतीय-पक्ष मूल्यांकन साइट, यांनी मोजलेल्या अचूकता क्रमवारीत अव्वल आहे. स्वतंत्र तपासणीत हे टिकून राहिल्यास, मायक्रोसॉफ्टला वेग आणि अचूकता यांचा दुर्मिळ संगम मिळेल — स्पीच रेकग्नायझरला वक्त्याचे विचार पूर्ण होण्यापूर्वीच अर्थ लावावा लागतो तेव्हा हे दोन गुणधर्म सामान्यतः परस्परविरोधी असतात.

वाक्याच्या मध्यातील प्रतिसाद संवाद का बदलतो

शब्दसंग्रह ६० भाषांमध्ये पसरलेला आहे. परंतु अधिक परिणामकारक डिझाइन निवड म्हणजे स्ट्रीमिंग आर्किटेक्चर स्वतः: कारण आंशिक निकाल जवळजवळ तात्काळ येतात, त्यामुळे एजंट वापरकर्ता अजून बोलत असतानाच उत्तर तयार करू शकतो. हा फरक वॉकी-टॉकीसारखा वाटणारा सिस्टम आणि वाक्य कोणत्या दिशेने जात आहे याचा अंदाज घेणाऱ्या व्यक्तीसारखा वागणारा सिस्टम यातील आहे.

वर्षाच्या अखेरीपर्यंत, मायक्रोसॉफ्ट ही सेवा प्रक्रिया केलेल्या प्रत्येक तासाच्या ऑडिओसाठी $०.५४ या प्रास्ताविक दराने देते. उच्च-प्रमाणातील कॉल सेंटर्स किंवा सतत सुरू असलेल्या सहाय्यकांसाठी, वेगाचा फायदा प्रत्यक्ष तैनातीत रूपांतरित होतो की नाही हे ठरवणारा हा दर आहे.

२३ भाषांमध्ये एकच आवाज

संश्लेषणाच्या बाजूला, MAI-Voice-2.1 हे २३ भाषा बोलण्यासाठी तयार केले आहे, तर प्रत्येकात मूळ उच्चार स्वीकारून समान स्वर ओळख टिकवून ठेवते. प्रत्येक स्थानिकासाठी वेगळा आवाज असलेला स्पीकर वापरण्याऐवजी, हे मॉडेल सुसंगत व्यक्तिमत्त्व जपण्याचा प्रयत्न करते — जेव्हा सहाय्यक सेवेचा ओळखण्यायोग्य भाग बनतो तेव्हा ब्रँड्स आणि उत्पादन संघ सामान्यतः या गुणाकडे लक्ष देतात.

दुसरा प्रकार, MAI-Voice-2.1-Flash, त्या समृद्धतेपैकी काही वेगासाठी बदलतो. मायक्रोसॉफ्टने १५० मिलिसेकंद लेटन्सी आणि दर दशलक्ष अक्षरांमागे $१५ किंमत नोंदवली आहे, जी मानक मॉडेलसाठी $२२ वरून कमी आहे.

व्हॉइस एजंट्ससाठी किंमत गणित

खर्चाची रचना हीच बऱ्याचदा स्टार्टअप कोणत्या मॉडेलवर बांधायचे हे ठरवते, आणि मायक्रोसॉफ्टने विकसकांना स्पष्ट शिडी दिली आहे:

• ट्रान्सक्रिप्शन: प्रास्ताविक दराने प्रति तास ऑडिओ $०.५४, वर्षाच्या अखेरीपर्यंत वैध.
• संश्लेषण (मानक): MAI-Voice-2.1, पूर्ण बहुभाषिक व्हॉइस वर्तनासह.
• संश्लेषण (जलद): MAI-Voice-2.1-Flash १५० मिलिसेकंद लेटन्सी आणि दर दशलक्ष अक्षरांमागे $१५, तर मानक स्तरासाठी $२२.

हे आकडे कंपनीला स्पीच विक्रेत्यांच्या गर्दीच्या क्षेत्रात थेट स्पर्धेत आणतात, जिथे प्रति-अक्षर आणि प्रति-मिनिट दरांची तपासणी बेंचमार्क गुणांइतकीच बारकाईने केली जाते.

आवाज क्लोनिंग — सुरक्षा उपायांसह

दोन्ही व्हॉइस मॉडेल्स फक्त काही सेकंदांच्या संदर्भ ऑडिओवरून स्पीकरचा आवाज पुनरुत्पादित करू शकतात. ही क्षमता प्रवेशयोग्यता साधने, स्थानिकीकरण आणि वैयक्तिकृत सहाय्यकांसाठी शक्तिशाली आहे, आणि बनावट व्यक्तिमत्त्वासाठी माध्यम म्हणूनही तितकीच शक्तिशाली आहे. मायक्रोसॉफ्टच्या मते, अंगभूत सुरक्षा उपाय गैरवापर रोखण्यासाठी आहेत, तथापि त्या संरक्षक यंत्रणांची यांत्रिकता सार्वजनिकपणे स्पष्ट केलेली नाही.

विकसकांना मॉडेल्स कुठे मिळतील

मॉडेल्स मायक्रोसॉफ्ट फाउंड्री आणि MAI प्लेग्राउंडसह इतर वितरण मार्गांद्वारे उपलब्ध आहेत. दोन्ही व्हॉइस मॉडेल्स OpenRouter वर देखील दिसतात, ज्यामुळे विकसकांना एकाच प्रदात्याशी बांधील न राहता स्पर्धक मॉडेल्ससोबत विनंत्या राउट करण्याचा मार्ग मिळतो.

अनकॅनी व्हॅली, मोजली

मायक्रोसॉफ्टने एक चाचणी घेतली ज्यात सुमारे ४,००० सहभागींनी संश्लेषित आवाज ऐकले. त्यापैकी सुमारे निम्म्यांना वाटले की ते खऱ्या व्यक्तीचे बोलणे ऐकत आहेत. हा निकाल दोन्ही बाजूंनी महत्त्वाचा आहे: तो सूचित करतो की मॉडेल्सनी अर्थपूर्ण वास्तववादाचा उंबरठा ओलांडला आहे, आणि श्रोते संश्लेषित भाषण मानवी म्हणून विश्वासाने स्वीकारण्यापूर्वी किती अंतर शिल्लक आहे हेही सूचित करतो.

उत्पादन डिझाइनरांसाठी, मुद्दा असा आहे की उर्वरित शंका समान रीतीने वितरित नाही. अल्प चाचणीत फसलेले श्रोते क्लोन केलेला आवाज खाते तपशील किंवा वितरण सूचना विचारतो तेव्हा वेगळी प्रतिक्रिया देऊ शकतात, अशा संदर्भांमध्ये प्रामाणिकपणाबद्दलच्या अपेक्षा जास्त असतात.

काय अजून अनिश्चित आहे

घोषणेतील अनेक प्रमुख दावे मायक्रोसॉफ्टकडूनच आले आहेत. ट्रान्सक्रिप्शन अचूकता क्रमवारीचे स्वतंत्र मूल्यांकन, वास्तविक नेटवर्क परिस्थितीतील लेटन्सी आकडे, आणि क्लोनिंग सुरक्षा उपायांची मजबुती हे सर्व प्रश्न अनुत्तरीत आहेत:

• आर्टिफिशियल अॅनालिसिस अचूकता क्रमवारी मायक्रोसॉफ्टने प्रतिपादित केली आहे आणि बाह्य चाचणीने अजून पुष्टी केलेली नाही.
• लेटन्सी आकडे मॉडेल वर्तनाचे वर्णन करतात आणि उत्पादनातील एंड-टू-एंड कामगिरी प्रतिबिंबित करू शकत नाहीत.
• व्हॉइस-क्लोनिंग गैरवापराविरुद्धचे सुरक्षा उपाय केवळ सामान्य अटींमध्ये वर्णन केले आहेत.

स्टॅकचे मूल्यांकन करणारे विकसक प्रकाशित आकड्यांना आधार मानण्यापूर्वी त्यांच्या स्वतःच्या ऑडिओवर — उच्चारयुक्त भाषण, गोंगाटयुक्त वातावरण, एकमेकांवर बोलणारे स्पीकर्स — चाचणी करू इच्छितील.

हे का महत्त्वाचे आहे

व्हॉइस एजंट्स भाषा समजून घेण्यापेक्षा टर्न-टेकिंगच्या यांत्रिकतेमुळे अधिक अडकले आहेत. शांततेची वाट पाहणारा सिस्टम संभाषणात्मक वाटू शकत नाही. आंशिक ट्रान्सक्रिप्शन मानवी प्रतिक्षेपाच्या उंबरठ्याखाली आणून आणि सेकंदाच्या अंशात चालणाऱ्या संश्लेषणासोबत जोडून, मायक्रोसॉफ्टने पैज लावली आहे की पुढील लाटेतील सहाय्यकांचे मूल्यांकन बुद्धिमत्तेइतकेच लयीवरही केले जाईल. किंमत आणि सुरक्षा उपाय वास्तविक जगातील भाराखाली टिकतात का, ही पुढील चाचणी आहे.

हा लेख द डिकोडरच्या अहवालावर आधारित आहे. मूळ लेख वाचा.