동차 Beat AI News, Microsoft AI는 MAI-Transcribe-2-Streaming, MAI-Voice-2.1 및 MAI-Voice-2.1-Flash라는 세 가지 오디오 모델을 한 번에 출시했습니다. 전자는 실시간 음성을 텍스트로 변환하는 역할을 하고, 후자 두 개는 주로 지연 시간이 짧은 음성 에이전트를 위해 텍스트를 음성으로 생성하는 역할을 합니다.
그 중 MAI-Transcribe-2-Streaming은 사람이 말하기를 마치기 전에 계속해서 텍스트를 출력할 수 있으며 60개 언어와 자동 언어 감지를 지원합니다. 인공 분석의 스트리밍 음성 전사 순위는 단어 오류율이 2.5%로 최종 및 1차 부분 전사 정확도 모두에서 1위를 차지하는 것으로 나타났습니다. 최종 텍스트는 음성 끝이 감지된 후 약 0.13초 후에 반환되었으며, 이는 Grok Voice Transcribe 2.0의 경우 2.7% 및 0.49초였습니다.
MAI-Voice-2.1은 23개 언어를 지원하므로 동일한 음성으로 다른 언어 간에 전환할 수 있습니다. Flash 버전은 모델 추론 시간이 약 45ms이고 가격이 백만 문자당 15달러로 지연 시간을 줄이도록 설계되었습니다. 표준 버전은 약 550ms이고 가격은 22달러입니다. 두 모델 모두 짧은 참조 오디오와의 보컬 매칭을 지원합니다.
이 조합은 음성 에이전트 경험에 가장 큰 영향을 미치는 대기 문제를 해결합니다. 시스템은 사용자가 말할 때 미리 스크립트 작성 및 추론을 시작한 다음 작업을 시작하기 전에 완전한 문장이 끝날 때까지 기다릴 필요 없이 Flash를 사용하여 신속하게 음성 응답을 생성할 수 있습니다.