సంభాషణాత్మక వాయిస్ ఏజెంట్లను నిర్మించే డెవలపర్ల కోసం రూపొందించిన ఒక ప్యాకేజీలో భాగంగా మైక్రోసాఫ్ట్ AI ఒక కొత్త రియల్-టైమ్ ట్రాన్స్క్రిప్షన్ ఇంజిన్తో పాటు రెండు టెక్స్ట్-టు-స్పీచ్ మోడల్స్ను విడుదల చేసింది. అక్టోబర్ 2, 2026న The Decoder నివేదించిన ఈ విడుదల, కంపెనీ MAI మోడల్ లైన్కు స్ట్రీమింగ్ స్పీచ్ రికగ్నిషన్ మరియు బహుభాషా సింథసిస్ను జోడిస్తుంది, దీనివల్ల బిల్డర్లకు ఒకే విక్రయదారు నుండి దాదాపు పూర్తి వినడం-మాట్లాడడం స్టాక్ లభిస్తుంది.
లేటెన్సీ విభజన రేఖగా మారుతుంది
ప్రధాన మోడల్ అయిన MAI-Transcribe-2-Streaming, ఒక పదబంధం పూర్తయిన తర్వాత కాకుండా మాట్లాడుతున్నప్పుడే ప్రసంగాన్ని వచనంగా మార్చడానికి రూపొందించబడింది. ఇది తన మొదటి పాక్షిక ఫలితాన్ని కొద్దిగా 100 మిల్లీసెకన్లలో ఉత్పత్తి చేస్తుందని మైక్రోసాఫ్ట్ చెబుతోంది — వాయిస్ ఇంటర్ఫేస్ నిర్మించే ఎవరికైనా ముడి ఖచ్చితత్వం కంటే ఈ సంఖ్యే ఎక్కువ ముఖ్యం.
థర్డ్-పార్టీ మూల్యాంకన సైట్ అయిన Artificial Analysis ట్రాక్ చేసే ఖచ్చితత్వ ర్యాంకింగ్లలో ఈ మోడల్ అగ్రస్థానంలో ఉందని కూడా కంపెనీ పేర్కొంది. స్వతంత్ర పరిశీలనలో ఇది నిలబడితే, వేగం మరియు ఖచ్చితత్వం — స్పీచ్ రికగ్నైజర్ ఒక వక్త ఆలోచన పూర్తి చేయకముందే ఒక వ్యాఖ్యానానికి కట్టుబడాల్సి వచ్చినప్పుడు సాధారణంగా ఉద్రిక్తతలో ఉండే రెండు లక్షణాలు — కలిపి మైక్రోసాఫ్ట్కు అరుదైన కలయికను ఇస్తుంది.
వాక్యం మధ్యలో ప్రతిస్పందనలు పరస్పర చర్యను ఎలా మారుస్తాయి
పదజాల కవరేజ్ 60 భాషలకు విస్తరించి ఉంది. కానీ మరింత పరిణామాత్మక డిజైన్ ఎంపిక స్ట్రీమింగ్ ఆర్కిటెక్చర్ స్వయంగా: పాక్షిక ఫలితాలు దాదాపు వెంటనే వస్తాయి కాబట్టి, వినియోగదారు ఇంకా మాట్లాడుతుండగానే ఒక ఏజెంట్ ప్రత్యుత్తరాన్ని రూపొందించడం ప్రారంభించగలదు. వాకీ-టాకీ లాగా అనిపించే వ్యవస్థకు, ఒక వాక్యం ఎటువైపు వెళ్తోందో ఊహించే వ్యక్తిలా ప్రవర్తించే వ్యవస్థకు మధ్య ఇదే తేడా.
సంవత్సరం చివరి వరకు, ప్రాసెస్ చేసిన ప్రతి గంట ఆడియోకు $0.54 పరిచయ ధరగా మైక్రోసాఫ్ట్ ఈ సేవను ధర నిర్ణయిస్తోంది. అధిక-వాల్యూమ్ కాల్ సెంటర్లు లేదా ఎప్పుడూ ఆన్లో ఉండే అసిస్టెంట్ల కోసం, వేగ ప్రయోజనం వాస్తవ అమలులుగా మారుతుందా లేదా అనేది నిర్ణయించే సంఖ్య ఆ రేటే.
23 భాషల్లో ఒకే వాయిస్
సింథసిస్ వైపు, MAI-Voice-2.1 అదే వోకల్ ఐడెంటిటీని నిలుపుకుంటూ 23 భాషలు మాట్లాడడానికి రూపొందించబడింది, ప్రతి భాషలో స్థానిక యాసను స్వీకరిస్తుంది. ప్రతి లొకేల్కు వేరే శబ్దం ఉన్న స్పీకర్ను మార్చడం బదులు, ఈ మోడల్ స్థిరమైన వ్యక్తిత్వాన్ని కాపాడాలని లక్ష్యంగా పెట్టుకుంది — ఒక అసిస్టెంట్ సేవలో గుర్తించదగిన భాగంగా మారినప్పుడు బ్రాండ్లు మరియు ఉత్పత్తి బృందాలు పట్టించుకునే లక్షణం ఇది.
రెండవ వేరియంట్ అయిన MAI-Voice-2.1-Flash, ఆ సమృద్ధిలో కొంత భాగాన్ని వేగం కోసం వదులుకుంటుంది. 150 మిల్లీసెకన్ల లేటెన్సీ మరియు ప్రామాణిక మోడల్ $22 నుండి తగ్గి, మిలియన్ అక్షరాలకు $15 ధరను మైక్రోసాఫ్ట్ నివేదిస్తోంది.
వాయిస్ ఏజెంట్ల కోసం ధర లెక్క
ఒక స్టార్టప్ ఏ మోడల్ మీద నిర్మిస్తుందో తరచుగా ఖర్చు నిర్మాణమే నిర్ణయిస్తుంది, మరియు మైక్రోసాఫ్ట్ డెవలపర్లకు స్పష్టమైన నిచ్చెనను ఇచ్చింది:
- ట్రాన్స్క్రిప్షన్: సంవత్సరం చివరి వరకు చెల్లుబాటు అయ్యే పరిచయ రేటులో ప్రతి గంట ఆడియోకు $0.54.
- సింథసిస్ (ప్రామాణిక): MAI-Voice-2.1, పూర్తి బహుభాషా వాయిస్ ప్రవర్తనను కలిగి ఉంటుంది.
- సింథసిస్ (వేగవంతమైన): MAI-Voice-2.1-Flash 150 మిల్లీసెకన్ల లేటెన్సీ మరియు మిలియన్ అక్షరాలకు $15, ప్రామాణిక టైర్కు $22తో పోలిస్తే.
ఆ సంఖ్యలు కంపెనీని స్పీచ్ విక్రయదారుల రద్దీ మైదానంలో నేరుగా పోటీలో నిలబెడతాయి, అక్కడ ప్రతి-అక్షరం మరియు ప్రతి-నిమిషం రేట్లు బెంచ్మార్క్ స్కోర్లతో సమానంగా పరిశీలించబడతాయి.
వాయిస్లను క్లోన్ చేయడం — రక్షణలతో పాటు
రెండు వాయిస్ మోడల్స్ కేవలం కొన్ని సెకన్ల సూచన ఆడియో నుండి ఒక స్పీకర్ వాయిస్ను పునరుత్పత్తి చేయగలవు. ఆ సామర్థ్యం యాక్సెసిబిలిటీ సాధనాలు, లోకలైజేషన్ మరియు వ్యక్తిగతీకరించిన అసిస్టెంట్లకు శక్తివంతమైనది, అలాగే వ్యక్తిగత అనుకరణకు మార్గంగా కూడా అంతే శక్తివంతమైనది. దుర్వినియోగాన్ని నిరోధించడానికి అంతర్నిర్మిత రక్షణలు ఉద్దేశించబడ్డాయని మైక్రోసాఫ్ట్ చెబుతోంది, అయితే ఆ కాపలాదారుల యాంత్రికత బహిరంగంగా వివరించబడలేదు.
డెవలపర్లు మోడల్స్ను ఎక్కడ పొందవచ్చు
ఈ మోడల్స్ Microsoft Foundry మరియు MAI Playground ద్వారా, ఇతర పంపిణీ ఛానెల్లతో పాటు అందుబాటులో ఉన్నాయి. ఆ రెండు వాయిస్ మోడల్స్ OpenRouterలో కూడా కనిపిస్తాయి, ఇది ఒకే ప్రొవైడర్కు కట్టుబడకుండా పోటీ మోడల్స్తో పాటు అభ్యర్థనలను రూట్ చేసే మార్గాన్ని డెవలపర్లకు ఇస్తుంది.
అన్క్యానీ వ్యాలీ, కొలవబడింది
సుమారు 4,000 మంది పాల్గొనేవారు సింథసైజ్ చేసిన వాయిస్లను విన్న ఒక పరీక్షను మైక్రోసాఫ్ట్ నిర్వహించింది. వారిలో సుమారు సగం మంది తాము నిజమైన వ్యక్తిని వింటున్నామని నమ్మారు. ఆ ఫలితం రెండు వైపులా కోస్తుంది: మోడల్స్ ఒక అర్థవంతమైన వాస్తవికత పరిమితిని దాటాయని ఇది సూచిస్తుంది, మరియు సింథటిక్ ప్రసంగాన్ని మనుషులుగా శ్రోతలు నమ్మకంగా అంగీకరించడానికి ఇంకా ఎంత దూరం మిగిలి ఉందో కూడా ఇది సూచిస్తుంది.
ఉత్పత్తి డిజైనర్లకు, మిగిలిన సందేహం సమానంగా పంపిణీ చేయబడలేదనేది ముఖ్యాంశం. ఒక చిన్న పరీక్షలో మోసపోయిన శ్రోతలు, క్లోన్ చేసిన వాయిస్ ఖాతా వివరాలు లేదా డెలివరీ సూచనలను అడిగినప్పుడు భిన్నంగా స్పందించవచ్చు — ప్రామాణికత గురించిన అంచనాలు ఎక్కువగా ఉండే సందర్భాలు అవి.
ఏమి ధృవీకరించబడలేదు
ప్రకటనలోని అనేక ప్రధాన వాదనలు మైక్రోసాఫ్ట్ నుండే వచ్చాయి. ట్రాన్స్క్రిప్షన్ ఖచ్చితత్వ ర్యాంకింగ్ యొక్క స్వతంత్ర మూల్యాంకనం, వాస్తవ నెట్వర్క్ పరిస్థితుల్లో లేటెన్సీ గణాంకాలు, మరియు క్లోనింగ్ రక్షణల యొక్క దృఢత్వం — ఇవన్నీ బహిరంగ ప్రశ్నలుగానే మిగిలి ఉన్నాయి:
- Artificial Analysis ఖచ్చితత్వ ర్యాంకింగ్ను మైక్రోసాఫ్ట్ వాదిస్తోంది మరియు బయటి పరీక్ష ద్వారా ఇంకా ధృవీకరించబడలేదు.
- లేటెన్సీ సంఖ్యలు మోడల్ ప్రవర్తనను వివరిస్తాయి మరియు ఉత్పత్తిలో ఎండ్-టు-ఎండ్ పనితీరును ప్రతిబింబించకపోవచ్చు.
- వాయిస్-క్లోనింగ్ దుర్వినియోగానికి వ్యతిరేకంగా రక్షణలు సాధారణ పదాల్లో మాత్రమే వివరించబడ్డాయి.
ఈ స్టాక్ను మూల్యాంకనం చేసే డెవలపర్లు, ప్రచురించిన సంఖ్యలను ప్రాతిపదికగా పరిగణించే ముందు తమ స్వంత ఆడియోతో — యాస ఉన్న ప్రసంగం, శబ్దం ఉన్న వాతావరణాలు, ఒకదానిపై ఒకటి మాట్లాడే స్పీకర్లు — పరీక్షించాలని కోరుకుంటారు.
ఇది ఎందుకు ముఖ్యం
వాయిస్ ఏజెంట్లు భాషా అవగాహన కంటే టర్న్-టేకింగ్ యాంత్రికత వల్ల ఎక్కువగా అడ్డంకిని ఎదుర్కొన్నాయి. నిశ్శబ్దం కోసం వేచి ఉండే వ్యవస్థ సంభాషణాత్మకంగా అనిపించదు. మానవ ప్రతిచర్య పరిమితి కంటే తక్కువకు పాక్షిక ట్రాన్స్క్రిప్షన్ను నెట్టి, సెకనులో కొంత భాగంలో నడిచే సింథసిస్తో జత చేయడం ద్వారా, తదుపరి తరం అసిస్టెంట్లు తెలివితో సమానంగా లయ ఆధారంగా కూడా అంచనా వేయబడతాయని మైక్రోసాఫ్ట్ పందెం వేస్తోంది. ధర మరియు రక్షణలు వాస్తవ ప్రపంచ భారం కింద నిలబడతాయా అనేది తదుపరి వచ్చే పరీక్ష.
ఈ వ్యాసం The Decoder నివేదిక ఆధారంగా రూపొందించబడింది. అసలు వ్యాసాన్ని చదవండి.
Originally published on the-decoder.com