مایکروسافت مدل رونویسی زنده و دو مدل گفتار معرفی کرد

رونویسی زنده مایکروسافت با معرفی MAI-Transcribe-2-Streaming وارد خانواده مدل‌های هوش مصنوعی MAI شد؛ مدلی که گفتار را هم‌زمان با صحبت‌کردن کاربر به متن تبدیل می‌کند. مایکروسافت این مدل را در کنار دو ابزار تبدیل متن به گفتار، MAI-Voice-2.1 و MAI-Voice-2.1-Flash، در اول اکتبر معرفی کرد. هدف این سه مدل، فراهم‌کردن اجزای لازم برای ساخت عامل‌های صوتی است؛ سامانه‌هایی که بتوانند صحبت کاربر را بشنوند، درباره درخواست او تصمیم بگیرند و بی‌درنگ با صدای تولیدشده پاسخ دهند.

رونویسی زنده مایکروسافت چگونه کار می‌کند؟

MAI-Transcribe-2-Streaming نخستین مدل استریم یا پخش جریانی در خانواده رونویسی مایکروسافت است. در روش استریم، سامانه برای رسیدن فایل صوتی به پایان صبر نمی‌کند؛ صدا را در حین دریافت پردازش می‌کند و نتیجه را مرحله‌به‌مرحله در اختیار برنامه می‌گذارد. به گفته مایکروسافت، این مدل گفتار را از طریق WebSocket دریافت می‌کند؛ روشی برای ارتباط پیوسته میان برنامه و سرویس، به‌جای فرستادن یک درخواست جداگانه برای هر بخش از داده.

متنی که مدل در طول گفتار تولید می‌کند در ابتدا قطعی نیست و با ادامه صحبت می‌تواند تغییر کند. مدل به‌صورت پیوسته فرضیه‌های رونویسی را به‌روزرسانی می‌کند و وقتی گوینده مکث و صحبت را تمام کرد، نهایی‌شدن متن را اعلام می‌کند. این کار می‌تواند برای نمایش زیرنویس زنده مفید باشد یا به یک برنامه اجازه دهد پردازش درخواست را پیش از پایان جمله آغاز کند؛ هرچند پاسخ نهایی همچنان به کامل‌شدن ورودی و مراحل بعدی سامانه وابسته است.

طبق اعلام شرکت، مدل از بیش از ۶۰ زبان پشتیبانی می‌کند و می‌تواند زبان گوینده را به‌طور خودکار تشخیص دهد. مایکروسافت میانگین زمان رسیدن نخستین حدس‌های متنی را ۳۲۰ میلی‌ثانیه اعلام کرده است. این عدد به معنای تضمین همین سرعت در همه شرایط نیست: شرکت یادآور شده که کیفیت اتصال شبکه و سامانه هوش مصنوعی‌ای که پاسخ را تولید می‌کند نیز بر زمان پاسخ‌گویی اثر می‌گذارند.

سرعت بیشتر در برابر هزینه بالاتر

MAI-Transcribe-2-Streaming در Vercel AI Gateway فهرست شده و قیمت اعلام‌شده آن ۵۴ سنت به‌ازای هر ساعت صوتی است. این نرخ را باید در کنار مدل MAI-Transcribe-2 سنجید که مایکروسافت ماه پیش معرفی کرد و قیمت آن ۱۰ سنت برای هر ساعت صوتی اعلام شده بود. بنابراین نسخه استریم بیش از پنج برابر گران‌تر است؛ تفاوتی که بنا بر توضیح گزارش، به پردازش پیوسته و ارائه نتیجه در زمانی برمی‌گردد که صدا هنوز در حال رسیدن است.

در مدل معمولی MAI-Transcribe-2، سامانه پس از پایان صحبت گوینده پردازش را شروع می‌کند؛ در نتیجه برای کاربردهایی که به زیرنویس زنده یا واکنش زودهنگام نیاز ندارند، انتظار تا پایان ورودی می‌تواند پذیرفتنی باشد. در مقابل، نسخه استریم برای برنامه‌هایی طراحی شده که تأخیر کمتر اهمیت دارد. این انتخاب، مانند بسیاری از تصمیم‌های طراحی محصول، به نیاز برنامه‌نویس وابسته است: آیا مهم‌تر است متن در حین گفتار ظاهر شود یا هزینه پردازش پایین‌تر بماند؟

مایکروسافت قیمت مدل جدید را در Vercel AI Gateway منتشر کرده است. در این فهرست، واحد قیمت‌گذاری زمان صوتی است؛ بنابراین هزینه به مدت صدای پردازش‌شده مربوط می‌شود، نه تعداد واژه‌های متن خروجی. سرعتی که کاربر در یک برنامه واقعی تجربه می‌کند نیز فقط به مدل رونویسی وابسته نیست و می‌تواند با شبکه و مراحل تولید پاسخ تغییر کند.

دو مدل برای تبدیل متن به گفتار

بخش دیگر معرفی مایکروسافت به تولید صدا مربوط است. تبدیل متن به گفتار یا TTS، فرایندی است که در آن سامانه متن را به صدای قابل‌شنیدن تبدیل می‌کند. این فناوری برای عامل صوتی نقشی مکمل دارد: پس از آن‌که برنامه گفتار کاربر را به متن تبدیل کرد و پاسخ را تعیین کرد، باید آن پاسخ را به شکل گفتاری ارائه دهد.

مایکروسافت MAI-Voice-2.1 را گزینه‌ای مناسب برای خروجی‌های بیان‌گرتر و با کیفیت صدای بالاتر توصیف کرده است. نسخه دیگر، MAI-Voice-2.1-Flash، بر سرعت بیشتر و هزینه کمتر تمرکز دارد و به گفته شرکت از بخشی از ویژگی‌های کیفیت و بیان‌گری نسخه اصلی می‌کاهد. به این ترتیب، توسعه‌دهنده می‌تواند میان صدایی غنی‌تر و پاسخ سریع‌تر یا کم‌هزینه‌تر انتخاب کند؛ بسته به این‌که اولویت برنامه چه باشد.

هر دو مدل تولید گفتار از ۲۳ زبان پشتیبانی می‌کنند. قیمت اعلام‌شده برای MAI-Voice-2.1 برابر ۲۲ دلار به‌ازای هر یک میلیون نویسه است و نسخه Flash با نرخ ۱۵ دلار به‌ازای هر یک میلیون نویسه عرضه شده است. این شیوه قیمت‌گذاری با مدل رونویسی تفاوت دارد: هزینه ابزارهای تولید صدا بر اساس تعداد نویسه‌های متن محاسبه می‌شود، در حالی که نرخ رونویسی بر پایه ساعت صوتی است.

سه جزء برای ساخت یک عامل صوتی

معرفی این مدل‌ها بخشی از رویکرد مایکروسافت برای کنار هم گذاشتن اجزای یک مکالمه صوتی است. عامل صوتی برای کارکردن باید گفتار را تشخیص دهد و بفهمد، درباره پاسخ مناسب تصمیم بگیرد و سپس آن پاسخ را با صدا بیان کند. MAI-Transcribe-2-Streaming مرحله تبدیل گفتار به متن را بر عهده می‌گیرد و مدل‌های MAI-Voice متن را به گفتار تبدیل می‌کنند.

بخش میانی این زنجیره، یعنی تصمیم‌گیری درباره محتوای پاسخ، در توضیح گزارش با مدل استدلالی Mai-Thinking-1 پیوند داده شده است. این مدل زبانی بزرگ می‌تواند متن رونویسی‌شده را بخواند و برای تعیین کاری که عامل باید انجام دهد به کار گرفته شود. مدل زبانی بزرگ سامانه‌ای است که بر پایه متن ورودی، محتوا را پردازش و تولید می‌کند؛ در این ساختار، کارش با شنیدن مستقیم صدا یا تولید صدای خروجی یکی نیست.

به‌کارگیری سه مدل مجزا به توسعه‌دهندگان امکان می‌دهد اجزای مختلف را جداگانه انتخاب و تنظیم کنند. طبق گزارش، این تفکیک می‌تواند کنترل بیشتری بر کیفیت، تأخیر و هزینه فراهم کند. برای نمونه، سازنده یک برنامه ممکن است برای تبدیل گفتار به متن به پاسخ سریع نیاز داشته باشد، اما در مرحله تولید صدا گزینه‌ای کم‌هزینه‌تر را ترجیح دهد. این انعطاف در کنار پیچیدگی بیشترِ پیوند دادن اجزا قرار می‌گیرد؛ زیرا عامل نهایی باید خروجی هر مرحله را به مرحله بعد منتقل کند.

این عرضه همچنین در مسیر گسترش خانواده MAI قرار می‌گیرد. مایکروسافت با وجود سرمایه‌گذاری در OpenAI و Anthropic، در حال توسعه مدل‌های خودش است. در گزارشی که در ماه ژوئیه منتشر شد، نگرانی Mustafa Suleyman، مدیرعامل Microsoft AI، درباره هزینه استفاده از مدل‌های پیشرفته این شرکت‌ها مطرح شده بود. او در گفت‌وگو با Bloomberg گفته بود هدف مایکروسافت کاهش و در نهایت حذف این هزینه است. در همان چارچوب، گزارش از تمرکز بیشتر پژوهشگران شرکت بر خانواده MAI و هدف استفاده از آن در عامل‌های Copilot، از جمله در Excel و Outlook، خبر می‌دهد.

این خبر برای چه کسانی اهمیت دارد

این معرفی بیش از همه برای توسعه‌دهندگانی اهمیت دارد که در حال ساخت دستیارها و عامل‌های صوتی هستند. آن‌ها می‌توانند مدل رونویسی را بر اساس نیاز به متن زنده یا هزینه کمتر انتخاب کنند و برای تولید پاسخ گفتاری نیز میان کیفیت صوتی بالاتر و سرعت و هزینه کمتر توازن برقرار کنند. پشتیبانی زبانی اعلام‌شده، شیوه قیمت‌گذاری و تأخیر پردازش از عواملی است که هنگام طراحی چنین برنامه‌هایی باید در نظر گرفته شود.

برای کسب‌وکارهایی که به دنبال افزودن تعامل صوتی به محصولات خود هستند نیز خبر نشان می‌دهد مایکروسافت اجزای بیشتری از این فرایند را در خانواده MAI عرضه کرده است. با این حال، اعلام مدل‌ها به‌تنهایی تضمین‌کننده تجربه‌ای کاملاً طبیعی نیست: سرعت شبکه، کیفیت تصمیم‌گیری مدل میانی و هماهنگی میان رونویسی و تولید صدا هم در نتیجه نهایی نقش دارند. اهمیت عرضه در این است که توسعه‌دهندگان اکنون می‌توانند این بخش‌ها را به‌صورت جداگانه انتخاب کنند و اثر هزینه و سرعت هرکدام را در طراحی عامل صوتی بسنجند.