Microsoft'tan canlı konuşma tanıma: MAI-Transcribe-2-Streaming

Microsoft AI, 1 Ekim'de MAI-Transcribe-2-Streaming adlı ilk akışlı konuşma-metin modelini duyurdu. Model, konuşma sürerken metni anlık olarak üretiyor ve 60 dilde otomatik dil algılaması yapıyor. Duyuruya göre ilk sözcükler ses akmaya başladıktan yaklaşık 100 milisaniye sonra ekrana geliyor. Aynı gün, metinden konuşma üreten MAI-Voice-2.1 ve daha hızlı, daha ucuz MAI-Voice-2.1-Flash modelleri de yayımlandı.

Geliştiriciler için ne anlama geliyor?

Akışlı modeller sesi WebSocket benzeri bir bağlantıyla alır, geçici metni konuşma sürerken üretir ve konuşmacı durunca metni kesinleştirir. Bu yaklaşım canlı altyazı, toplantı notu ve sesli asistan gibi gecikmenin önemli olduğu uygulamalar için kritiktir. Gecikme düştükçe sesli bir asistanın yanıt vermeden önce bekleme süresi de kısalır.

Türkçenin desteklenen diller arasında olup olmadığını ve hangi doğrulukla çalıştığını kendi ses kayıtlarınızla denemeden bilemezsiniz; duyurulan başarı oranı her dil ve ortam için geçerli değildir.