மைக்ரோசாஃப்ட் AI குரல் முகவர்களுக்கான ஸ்ட்ரீமிங் டிரான்ஸ்கிரிப்ஷன் மற்றும் டெக்ஸ்ட்-டு-ஸ்பீச் மாடல்களை அறிமுகப்படுத்தியது

மைக்ரோசாஃப்ட் AI ஒரு புதிய நிகழ்நேர டிரான்ஸ்கிரிப்ஷன் இயந்திரத்தையும், இரண்டு டெக்ஸ்ட்-டு-ஸ்பீச் மாடல்களையும் அறிமுகப்படுத்தியுள்ளது. இது உரையாடல் குரல் முகவர்களை உருவாக்கும் டெவலப்பர்களுக்காக உருவாக்கப்பட்ட ஒரு தொகுப்பாகும். அக்டோபர் 2, 2026 அன்று The Decoder வெளியிட்ட அறிக்கையின்படி, இந்த வெளியீடு நிறுவனத்தின் MAI மாடல் வரிசையில் ஸ்ட்ரீமிங் பேச்சு அங்கீகாரம் மற்றும் பல்மொழி தொகுப்பைச் சேர்க்கிறது, இது கட்டுநர்களுக்கு ஒரே விற்பனையாளரிடமிருந்து கேட்கும் மற்றும் பேசும் அடுக்கை கிட்டத்தட்ட முழுமையாக வழங்குகிறது.

தாமதம் பிரிக்கும் கோடாக மாறுகிறது

தலைப்பு மாடலான MAI-Transcribe-2-Streaming, ஒரு சொற்றொடர் முடிந்த பிறகு அல்லாமல், பேச்சு நிகழும்போதே அதை உரையாக மாற்றும் வகையில் வடிவமைக்கப்பட்டுள்ளது. மைக்ரோசாஃப்ட் கூறுகையில், இது தனது முதல் பகுதி வெளியீட்டை 100 மில்லி விநாடிகளுக்கு சற்று அதிகமாக உருவாக்குகிறது, இது ஒரு குரல் இடைமுகத்தை உருவாக்குபவர்களுக்கு மூல துல்லியத்தை விட முக்கியமானது.

மூன்றாம் தரப்பு மதிப்பீட்டு தளமான Artificial Analysis ஆல் கண்காணிக்கப்படும் துல்லிய தரவரிசையில் இந்த மாடல் முதலிடம் வகிக்கிறது என்றும் நிறுவனம் கூறுகிறது. சுயாதீன ஆய்வின் கீழ் அது நிலைத்திருந்தால், வேகம் மற்றும் துல்லியத்தின் அரிய கலவையை மைக்ரோசாஃப்ட்டுக்கு வழங்கும் — ஒரு பேச்சு அங்கீகரிப்பான் ஒரு பேச்சாளர் ஒரு எண்ணத்தை முடிப்பதற்கு முன்பே ஒரு விளக்கத்திற்கு உறுதியளிக்க வேண்டியிருக்கும் போது பொதுவாக பதற்றத்தில் இருக்கும் இரண்டு பண்புகள்.

வாக்கியத்தின் நடுவில் பதில்கள் ஏன் தொடர்பை மாற்றுகின்றன

சொல்லகராதி பரப்பளவு 60 மொழிகளை உள்ளடக்கியது. ஆனால் மிகவும் விளைவுகளை ஏற்படுத்தும் வடிவமைப்பு தேர்வு ஸ்ட்ரீமிங் கட்டமைப்பே: பகுதி முடிவுகள் கிட்டத்தட்ட உடனடியாக வருவதால், பயனர் இன்னும் பேசிக்கொண்டிருக்கும்போதே ஒரு முகவர் பதிலை உருவாக்கத் தொடங்க முடியும். இது ஒரு வாக்கி-டாக்கி போல் உணரப்படும் அமைப்புக்கும், ஒரு வாக்கியம் எங்கு செல்கிறது என்பதை முன்னறிந்து நடந்துகொள்ளும் ஒரு நபரைப் போல் செயல்படும் அமைப்புக்கும் இடையிலான வேறுபாடு.

ஆண்டின் இறுதி வரை, செயலாக்கப்படும் ஒவ்வொரு மணிநேர ஆடியோவுக்கும் $0.54 என்ற அறிமுக விலையில் மைக்ரோசாஃப்ட் இந்த சேவையை வழங்குகிறது. அதிக அளவிலான கால் சென்டர்கள் அல்லது எப்போதும் இயங்கும் உதவியாளர்களுக்கு, வேக நன்மை உண்மையான பயன்பாட்டாக மாறுமா என்பதை தீர்மானிக்கும் எண் அந்த விகிதமே.

23 மொழிகளில் ஒரே குரல்

தொகுப்பு பக்கத்தில், MAI-Voice-2.1 23 மொழிகளைப் பேசும் வகையில் கட்டமைக்கப்பட்டுள்ளது, அதே குரல் அடையாளத்தைத் தக்கவைத்துக்கொண்டு, ஒவ்வொன்றிலும் ஒரு உள்ளூர் உச்சரிப்பை ஏற்றுக்கொள்கிறது. ஒவ்வொரு இடத்திற்கும் வெவ்வேறு ஒலிக்கும் பேச்சாளரை மாற்றுவதற்குப் பதிலாக, மாடல் ஒரு நிலையான ஆளுமையைப் பாதுகாக்க நோக்கமாகக் கொண்டுள்ளது — ஒரு உதவியாளர் ஒரு சேவையின் அடையாளம் காணக்கூடிய பகுதியாக மாறும்போது பிராண்டுகள் மற்றும் தயாரிப்பு குழுக்கள் கவனம் செலுத்தும் ஒரு பண்பு.

இரண்டாவது மாறுபாடான MAI-Voice-2.1-Flash, அந்த செழுமையில் சிலவற்றை வேகத்திற்காக பரிமாறிக்கொள்கிறது. மைக்ரோசாஃப்ட் 150 மில்லி விநாடிகள் தாமதம் மற்றும் ஒரு மில்லியன் எழுத்துகளுக்கு $15 விலை, நிலையான மாடலின் $22-லிருந்து குறைவாக இருப்பதாக தெரிவிக்கிறது.

குரல் முகவர்களுக்கான விலை கணக்கீடு

ஒரு ஸ்டார்ட்அப் எந்த மாடலை உருவாக்குவது என்பதை பெரும்பாலும் செலவு கட்டமைப்பே தீர்மானிக்கிறது, மேலும் மைக்ரோசாஃப்ட் டெவலப்பர்களுக்கு ஒரு தெளிவான ஏணியை வழங்கியுள்ளது:

• டிரான்ஸ்கிரிப்ஷன்: ஆண்டின் இறுதி வரை செல்லுபடியாகும் அறிமுக விகிதத்தில் ஒரு மணிநேர ஆடியோவுக்கு $0.54.
• தொகுப்பு (நிலையான): MAI-Voice-2.1, முழு பல்மொழி குரல் நடத்தையைக் கொண்டுள்ளது.
• தொகுப்பு (விரைவு): MAI-Voice-2.1-Flash 150 மில்லி விநாடிகள் தாமதம் மற்றும் ஒரு மில்லியன் எழுத்துகளுக்கு $15, நிலையான அடுக்குக்கு $22 உடன் ஒப்பிடும்போது.

இந்த எண்ணிக்கைகள் நிறுவனத்தை பேச்சு விற்பனையாளர்களின் நெரிசலான துறையில் நேரடி போட்டியில் வைக்கின்றன, அங்கு ஒரு எழுத்து மற்றும் ஒரு நிமிட விகிதங்கள் பெஞ்ச்மார்க் மதிப்பெண்களைப் போலவே உнимаனமாக ஆராயப்படுகின்றன.

குரல்களை குளோன் செய்தல் — பாதுகாப்புகளுடன்

இரண்டு குரல் மாடல்களும் ஒரு பேச்சாளரின் குரலை சில விநாடிகள் குறிப்பு ஆடியோவிலிருந்து மட்டுமே மீண்டும் உருவாக்க முடியும். அணுகல் கருவிகள், உள்ளூர்மயமாக்கல் மற்றும் தனிப்பயனாக்கப்பட்ட உதவியாளர்களுக்கு இந்த திறன் சக்திவாய்ந்தது, மேலும் ஆள்மாறாட்டத்திற்கான ஒரு வழிமுறையாகவும் சமமாக சக்திவாய்ந்தது. தவறான பயன்பாட்டைத் தடுக்க உள்ளமைக்கப்பட்ட பாதுகாப்புகள் நோக்கமாகக் கொண்டுள்ளன என்று மைக்ரோசாஃப்ட் கூறுகிறது, இருப்பினும் அந்த காவல் வேலிகளின் இயக்கவியல் பொதுவில் விவரிக்கப்படவில்லை.

டெவலப்பர்கள் மாடல்களை எங்கு பெறலாம்

மாடல்கள் Microsoft Foundry மற்றும் MAI Playground உள்ளிட்ட பிற விநியோக சேனல்கள் மூலம் கிடைக்கின்றன. இரண்டு குரல் மாடல்களும் OpenRouter-இல் தோன்றுகின்றன, இது டெவலப்பர்களுக்கு ஒரே வழங்குநருக்கு உறுதியளிக்காமல் போட்டி மாடல்களுடன் கோரிக்கைகளை வழிநடத்த ஒரு வழியை வழங்குகிறது.

அளவிடப்பட்ட அசாதாரண பள்ளத்தாக்கு

மைக்ரோசாஃப்ட் ஒரு சோதனையை நடத்தியது, அதில் சுமார் 4,000 பங்கேற்பாளர்கள் தொகுக்கப்பட்ட குரல்களைக் கேட்டனர். அவர்களில் சுமார் பாதி பேர் ஒரு உண்மையான நபரைக் கேட்பதாக நம்பினர். அந்த முடிவு இரு வழிகளிலும் வெட்டுகிறது: இது மாடல்கள் ஒரு அர்த்தமுள்ள யதார்த்தவாத வரம்பைக் கடந்துவிட்டன என்பதைக் குறிக்கிறது, மேலும் கேட்பவர்கள் செயற்கை பேச்சை மனிதர்களாக நம்பகமாக ஏற்றுக்கொள்வதற்கு முன்பு எவ்வளவு இடம் உள்ளது என்பதையும் குறிப்பிடுகிறது.

தயாரிப்பு வடிவமைப்பாளர்களுக்கு, மீதமுள்ள சந்தேகம் சமமாக விநியோகிக்கப்படவில்லை என்பதே முக்கிய அம்சம். ஒரு குறுகிய சோதனையில் ஏமாற்றப்பட்ட கேட்பவர்கள், ஒரு குளோன் செய்யப்பட்ட குரல் கணக்கு விவரங்கள் அல்லது டெலிவரி வழிமுறைகளைக் கேட்கும்போது வித்தியாசமாக செயல்படலாம், அங்கு நம்பகத்தன்மை பற்றிய எதிர்பார்ப்புகள் அதிகமாக இருக்கும்.

சரிபார்க்கப்படாதவை

அறிவிப்பில் உள்ள பல முக்கிய கூற்றுகள் மைக்ரோசாஃப்ட்டிடமிருந்தே வருகின்றன. டிரான்ஸ்கிரிப்ஷன் துல்லிய தரவரிசையின் சுயாதீன மதிப்பீடு, உண்மையான நெட்வொர்க் நிலைமைகளின் கீழ் தாமத எண்ணிக்கைகள், மற்றும் குளோனிங் பாதுகாப்புகளின் உறுதித்தன்மை அனைத்தும் திறந்த கேள்விகளாகவே உள்ளன:

• Artificial Analysis துல்லிய தரவரிசை மைக்ரோசாஃப்ட்டால் கூறப்படுகிறது, இன்னும் வெளிப்புற சோதனையால் உறுதிப்படுத்தப்படவில்லை.
• தாமத எண்ணிக்கைகள் மாடல் நடத்தையை விவரிக்கின்றன, உற்பத்தியில் இறுதி-முதல்-இறுதி செயல்திறனை பிரதிபலிக்காமல் இருக்கலாம்.
• குரல்-குளோனிங் தவறான பயன்பாட்டிற்கு எதிரான பாதுகாப்புகள் பொதுவான சொற்களில் மட்டுமே விவரிக்கப்பட்டுள்ளன.

இந்த அடுக்கை மதிப்பிடும் டெவலப்பர்கள், வெளியிடப்பட்ட எண்ணிக்கைகளை ஒரு அடிப்படையாகக் கருதுவதற்கு முன், தங்கள் சொந்த ஆடியோவுக்கு எதிராக — உச்சரிப்பு பேச்சு, சத்தமான சூழல்கள், ஒன்றுடன் ஒன்று பேசுபவர்கள் — சோதிக்க விரும்புவார்கள்.

இது ஏன் முக்கியம்

குரல் முகவர்கள் மொழி புரிதலை விட, முறை எடுத்துக்கொள்ளும் இயக்கவியலால் அதிகம் தடைபட்டுள்ளன. அமைதிக்காக காத்திருக்கும் ஒரு அமைப்பு உரையாடல் போல் உணர முடியாது. மனித பிரதிபலிப்பின் வரம்புக்குக் கீழே பகுதி டிரான்ஸ்கிரிப்ஷனை தள்ளி, ஒரு விநாடியின் ஒரு பகுதியில் இயங்கும் தொகுப்புடன் இணைப்பதன் மூலம், அடுத்த அலை உதவியாளர்கள் நுண்ணறிவைப் போலவே தாளத்தின் அடிப்படையிலும் மதிப்பிடப்படுவார்கள் என்று மைக்ரோசாஃப்ட் பந்தயம் கட்டுகிறது. விலை மற்றும் பாதுகாப்புகள் உண்மையான உலக சுமையின் கீழ் நிலைத்திருக்குமா என்பதே அடுத்த சோதனை.

இந்த கட்டுரை The Decoder-இன் அறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.