مایکروسافت مدل‌های تازه رونویسی و تولید گفتار را عرضه کرد

مدل‌های صوتی مایکروسافت با عرضه سه محصول تازه برای رونویسی بلادرنگ و تبدیل متن به گفتار، مجموعه ابزارهای این شرکت برای ساخت عامل‌های صوتی را گسترش می‌دهند. Microsoft AI مدل MAI-Transcribe-2-Streaming را برای تبدیل گفتار به متن معرفی کرده و دو مدل MAI-Voice-2.1 و MAI-Voice-2.1-Flash را برای تولید گفتار عرضه کرده است. سرعت ارائه خروجی، پشتیبانی چندزبانه و امکان شبیه‌سازی صدا از ویژگی‌هایی است که مایکروسافت برای این مدل‌ها برشمرده است.

عامل صوتی سامانه‌ای است که با کاربر از راه صدا تعامل می‌کند؛ چنین سامانه‌ای برای پاسخ‌گویی به گفتار، به تشخیص و رونویسی آن و در بسیاری از موارد به تولید صدای پاسخ نیاز دارد. مدل جدید رونویسی مایکروسافت برای آغاز پردازش و نمایش متن در حین صحبت طراحی شده است، در حالی که دو مدل دیگر متن را به گفتار تبدیل می‌کنند. به گفته شرکت، این محصولات از طریق Microsoft Foundry و MAI Playground و پلتفرم‌های دیگر در دسترس‌اند.

رونویسی گفتار در کمی بیش از ۱۰۰ میلی‌ثانیه

MAI-Transcribe-2-Streaming مدل تازه مایکروسافت برای رونویسی بلادرنگ است. رونویسی در اینجا به معنای تبدیل گفتار شنیده‌شده به متن است. مایکروسافت می‌گوید این مدل از ۶۰ زبان پشتیبانی می‌کند و نخستین خروجی جزئی خود را در کمی بیش از ۱۰۰ میلی‌ثانیه ارائه می‌دهد. خروجی جزئی یعنی سامانه لازم نیست تا پایان صحبت کاربر صبر کند و می‌تواند بخش‌هایی از متن را هنگام ادامه گفتار نمایش دهد.

به گفته مایکروسافت، این سرعت به عامل‌های صوتی اجازه می‌دهد زمانی پاسخ‌گویی را آغاز کنند که گوینده هنوز جمله‌اش را تمام نکرده است. این توصیف به قابلیت مورد نظر شرکت اشاره دارد و به‌تنهایی به معنای آن نیست که هر برنامه‌ای با استفاده از مدل حتماً در همان زمان پاسخ کامل می‌دهد؛ نتیجه نهایی به نحوه استفاده از مدل و دیگر اجزای سامانه نیز وابسته است. اطلاعات منتشرشده در گزارش منبع، جزئیات بیشتری درباره شرایط اندازه‌گیری تأخیر یا تفاوت عملکرد میان زبان‌ها ارائه نمی‌کند.

مایکروسافت اعلام کرده است که MAI-Transcribe-2-Streaming از نظر دقت در رتبه نخست Artificial Analysis قرار دارد. این ادعا به شرکت نسبت داده می‌شود؛ در اطلاعات منتشرشده توضیح بیشتری درباره آزمون، معیار رتبه‌بندی یا مقایسه با مدل‌های دیگر نیامده است. بنابراین، این رتبه را باید در چارچوب همان ارزیابی و ادعای اعلام‌شده از سوی مایکروسافت در نظر گرفت.

شرکت برای استفاده از این مدل، تا پایان سال قیمت مقدماتی ۰٫۵۴ دلار به‌ازای هر ساعت صدا اعلام کرده است. این رقم به بازه قیمت‌گذاری مقدماتی اشاره دارد و منبع، قیمت پس از پایان آن دوره را مشخص نمی‌کند. هزینه بر مبنای ساعت صدا بیان شده، در حالی که قیمت مدل‌های تولید گفتار بر اساس تعداد نویسه‌های متن محاسبه می‌شود.

گفتار به ۲۳ زبان با یک صدا

دو مدل دیگر، MAI-Voice-2.1 و MAI-Voice-2.1-Flash، برای تبدیل متن به گفتار معرفی شده‌اند. تبدیل متن به گفتار فرایندی است که در آن سامانه از روی متن، صدای گفتاری تولید می‌کند. به گفته مایکروسافت، MAI-Voice-2.1 می‌تواند به ۲۳ زبان با یک صدا صحبت کند و در هر زبان لهجه‌ای بومی داشته باشد. این ویژگی برای محصولاتی که قرار است به کاربران چندزبانه پاسخ صوتی بدهند اهمیت دارد، هرچند جزئیات بیشتری درباره زبان‌های پشتیبانی‌شده یا کیفیت خروجی در هر زبان در متن گزارش ارائه نشده است.

نسخه Flash همین مدل بر کاهش تأخیر تمرکز دارد. مایکروسافت می‌گوید MAI-Voice-2.1-Flash به تأخیر ۱۵۰ میلی‌ثانیه می‌رسد و هزینه آن ۱۵ دلار به‌ازای هر یک‌میلیون نویسه است؛ قیمت مدل دیگر در مقایسه ۲۲ دلار برای همین تعداد نویسه اعلام شده است. تأخیر در این کاربرد، فاصله زمانی میان درخواست یا ورودی و آماده‌شدن خروجی صوتی را توصیف می‌کند. شرکت درباره شرایطی که این اعداد در آن اندازه‌گیری شده‌اند توضیح بیشتری نداده است.

از آنجا که قیمت‌گذاری مدل‌های گفتاری بر اساس نویسه است، هزینه به حجم متنی بستگی دارد که قرار است به صدا تبدیل شود. در مقابل، قیمت مدل رونویسی بر مبنای ساعت فایل یا جریان صوتی اعلام شده است. این تفاوت در واحد محاسبه، ارزیابی هزینه را برای توسعه‌دهندگانی که می‌خواهند میان رونویسی ورودی و تولید صدای خروجی برنامه‌ریزی کنند مهم می‌کند. گزارش منتشرشده اطلاعاتی درباره هزینه‌های جانبی یا قیمت‌گذاری محصولات کامل ساخته‌شده با این مدل‌ها ارائه نمی‌دهد.

شبیه‌سازی صدا و تمهیدات حفاظتی

هر دو مدل تولید گفتار می‌توانند با دریافت چند ثانیه صدای مرجع، صدایی را شبیه‌سازی کنند. به بیان ساده، سامانه از نمونه کوتاه صدای یک گوینده برای ساخت صدایی مشابه در خروجی استفاده می‌کند. این قابلیت می‌تواند در تولید گفتار با صدایی مشخص به کار رود، اما امکان بازتولید صدای افراد، نگرانی‌هایی درباره استفاده نادرست نیز ایجاد می‌کند.

مایکروسافت می‌گوید تمهیدات حفاظتی در این مدل‌ها تعبیه شده تا از سوءاستفاده جلوگیری کند. با این حال، اطلاعات موجود نوع این سازوکارها، نحوه فعال‌شدن آن‌ها یا محدودیت‌هایی را که برای شبیه‌سازی صدا اعمال می‌شود شرح نمی‌دهد. ازاین‌رو نمی‌توان درباره دامنه یا میزان اثربخشی این حفاظت‌ها بر پایه جزئیات منتشرشده قضاوت کرد.

در یک آزمایش با حدود ۴۰۰۰ شرکت‌کننده، تقریباً نیمی از افراد تصور کردند صداهای شنیده‌شده متعلق به انسان واقعی است. این نتیجه نشان می‌دهد که در آن آزمون، بخشی از شنوندگان نتوانستند صداهای تولیدشده را به‌راحتی از صدای انسانی تشخیص دهند. گزارش، جزئیات بیشتری درباره طراحی آزمون، نمونه صداها یا ویژگی‌های شرکت‌کنندگان ارائه نمی‌کند؛ بنابراین این عدد را نباید به‌عنوان نتیجه‌ای قطعی درباره تشخیص‌ناپذیری صدا در همه موقعیت‌ها تعبیر کرد.

دسترسی از طریق پلتفرم‌های مایکروسافت و OpenRouter

مدل‌های تازه از طریق Microsoft Foundry و MAI Playground و پلتفرم‌های دیگری عرضه شده‌اند. مایکروسافت نام OpenRouter را نیز برای دو مدل تولید گفتار اعلام کرده است؛ بنابراین طبق اطلاعات منتشرشده، دسترسی از این مسیر به مدل رونویسی تعمیم داده نشده است. گزارش جزئیات فنی درباره شیوه اتصال، محدودیت‌های استفاده یا تفاوت دسترسی میان پلتفرم‌ها را مشخص نمی‌کند.

عرضه این سه مدل، بخش‌های مختلف یک تعامل صوتی را هدف می‌گیرد: تشخیص و تبدیل گفتار کاربر به متن، و تولید گفتار برای پاسخ. سرعت ارائه خروجی مدل رونویسی و تأخیر اعلام‌شده برای نسخه Flash می‌توانند برای سازندگانی که زمان پاسخ را در طراحی محصول در نظر می‌گیرند، معیارهایی برای بررسی باشند. پشتیبانی از چندین زبان و قابلیت تولید صدا با لهجه بومی نیز از مشخصات اعلام‌شده است؛ اما ارزیابی عملی آن‌ها به کاربرد، زبان و شیوه پیاده‌سازی بستگی دارد.

این خبر برای چه کسانی اهمیت دارد

این عرضه برای توسعه‌دهندگان عامل‌های صوتی و محصولاتی که از گفت‌وگوی گفتاری استفاده می‌کنند اهمیت دارد؛ از جمله کسانی که به رونویسی هم‌زمان یا تولید پاسخ صوتی نیاز دارند. اطلاعات مربوط به زبان‌ها، تأخیر و قیمت می‌تواند در بررسی اولیه گزینه‌ها مفید باشد، اما به‌تنهایی برای انتخاب نهایی کافی نیست. شرکت‌ها و توسعه‌دهندگان همچنین باید سازوکارهای شبیه‌سازی صدا و تمهیدات حفاظتی را با توجه به کاربرد خود ارزیابی کنند؛ جزئیات منتشرشده از سوی مایکروسافت درباره این حفاظت‌ها محدود است.