Valós időben leírja a beszédünket a Microsoft új mesterséges intelligenciája. A MAI-Transcribe-2-Streaming 60 nyelven működik. A vállalat két új hanggeneráló modelljével együtt természetesebb, gyorsabb MI-alapú beszélgetéseket tehet lehetővé.
Már akkor elkezdi átírni a beszédet Microsoft új mesterséges intelligenciája, amikor a mondat még el sem hangzott teljesen. A MAI-Transcribe-2-Streaming 60 nyelven képes valós időben szöveggé alakítani a beszédet, miközben a vállalat két új hanggeneráló modellt is bemutatott.
Már beszéd közben megjelenik a szöveg
A Microsoft október 1-jén mutatta be első streaming beszédátíró modelljét, a MAI-Transcribe-2-Streaminget. A mesterséges intelligencia folyamatosan dolgozza fel a beérkező hangot, így nem kell megvárni, amíg valaki befejezi a mondatot.
A rendszer az első részleges átiratokat valamivel több mint 100 milliszekundum után képes megjeleníteni, majd a további hanginformációk alapján folyamatosan pontosítja azokat.
Ez lehetővé teszi, hogy egy hangalapú MI-ügynök akár már beszéd közben elkezdjen dolgozni a kérésen.
Hatvan nyelven működik az MI
A MAI-Transcribe-2-Streaming jelenleg 60 nyelvet támogat, köztük a magyart is. A rendszer automatikusan képes felismerni a beszélt nyelvet és valós időben készíti el a részleges, majd a végleges átiratot.
A technológiát többféle területen lehet használni: például ügyfélszolgálatokon, hangalapú asszisztenseknél, megbeszélések és előadások feliratozásánál, valós idejű jegyzetelésnél vagy diktálásnál.
Nemcsak hall – válaszolni is tud
A Microsoft a beszédátíró modell mellett két új hanggeneráló mesterséges intelligenciát is bemutatott: a MAI-Voice-2.1 és a gyorsabb MAI-Voice-2.1-Flash modelleket.
A MAI-Voice-2.1 már 23 nyelvet és 26 nyelvi változatot támogat. Különlegessége, hogy ugyanaz a mesterséges intelligenciahang több nyelven is képes megszólalni, miközben megőrzi saját hangkarakterét és az adott nyelvhez igazodó kiejtést.
A Flash változatot elsősorban olyan helyzetekre szánják, ahol a sebesség különösen fontos. A Microsoft szerint akár 45 másodpercnyi hangot is képes létrehozni, mindössze nagyjából 150 milliszekundumos végpontok közötti késleltetéssel.
Egyre természetesebb lehet az MI-vel való beszélgetés
A három új modell együtt egy olyan rendszert alkothat, amely képes meghallgatni, értelmezni, döntést hozni és válaszolni szinte valós időben.
A Microsoft szerint ez különösen hasznos lehet az ügyfélszolgálati MI-ügynököknél, amelyek már a beszélgetés közben feldolgozhatják az elhangzottakat, elindíthatják a szükséges műveleteket, majd természetes hangon válaszolhatnak.
A MAI-Transcribe-2-Streaming jelenleg nyilvános előzetesben érhető el. A Microsoft Foundry mellett több fejlesztői környezetben is használható.
A fejlesztés jól mutatja, hogy a generatív mesterséges intelligencia egyre kevésbé korlátozódik a szöveges chatbotokra.
A következő generációs MI-ügynökök már úgy kommunikálhatnak velünk, hogy közben szinte azonnal hallják, értik és meg is válaszolják, amit mondunk.
Forrás: lingomat.net
B.A.
