Microsoft lanserer AI som forstår tale på millisekunder

Microsoft har lansert MAI-Transcribe-2-Streaming, en sanntidsmodell for talegjenkjenning (STT) som kan transkribere tale med svært lav forsinkelse. Modellen er rangert som nummer én av 38 modeller i en test utført av Artificial Analysis for nøyaktighet på både endelig og delvis transkripsjon. Denne nye modellen kan fange opp tale i 60 språk og levere de første ordforslagene (partielle transkripsjoner) bare 100 millisekunder etter at lyden er mottatt. Det betyr at en AI-agent kan begynne å respondere eller handle mens brukeren fortsatt snakker, noe som er en betydelig forbedring for applikasjoner som stemmeassistenter og direkteteksting. Til sammenligning leverte en nær konkurrent sine første forslag på 490 millisekunder i den samme testen. Modellen er også best på nøyaktighet, med en ordfeilrate (WER) på 2,5 prosent for både første delvise og endelige transkripsjon. Dette er viktig fordi det sikrer at de tidlige responsene fra AI-systemer er pålitelige. Microsoft tar 0,54 dollar per time lyd for bruk av modellen, en introduksjonspris som er høyere enn enkelte konkurrenter som xAI og Meta, men på linje med Googles estimerte pris.