Microsoft مدل گفتار به متن MAI-Transcribe-2-Streaming را عرضه کرد

مدل گفتار به متن MAI-Transcribe-2-Streaming شرکت Microsoft از ۱ اکتبر ۲۰۲۶ برای تبدیل زنده صوت به نوشتار عرضه شده است؛ مدلی که متن را پیش از پایان صحبت گوینده به‌صورت موقت ارائه می‌کند و سپس آن را به نسخه نهایی تبدیل می‌کند. این قابلیت برای عامل‌های صوتی، زیرنویس زنده و دیکته اهمیت دارد، چون در چنین کاربردهایی تأخیر کمتر می‌تواند به پاسخ‌گویی سریع‌تر کمک کند. طبق ارزیابی Artificial Analysis، این مدل در میان ۳۸ مدل بررسی‌شده، در دقت متن نهایی و نخستین متن موقت رتبه نخست را به دست آورده است.

مدل گفتار به متن Microsoft چگونه کار می‌کند؟

MAI-Transcribe-2-Streaming نسخه بلادرنگ خانواده MAI-Transcribe-2 است؛ مدلی که نسخه پردازش دسته‌ای آن در سپتامبر عرضه شد. در پردازش دسته‌ای، معمولاً ابتدا فایل صوتی در اختیار سامانه قرار می‌گیرد و سپس متن آن تولید می‌شود. مدل تازه برای حالتی طراحی شده که صوت به‌طور پیوسته وارد می‌شود و خروجی نیز هم‌زمان با ادامه صحبت در دسترس قرار می‌گیرد.

به گفته Microsoft، مدل از ۶۰ زبان پشتیبانی می‌کند و زبان گفتار را به‌صورت خودکار و پیوسته تشخیص می‌دهد. بنابراین توسعه‌دهنده لازم نیست برای هر ورودی، زبان را از پیش تعیین کند. شرکت می‌گوید سامانه ابتدا فرضیه‌هایی از متن، موسوم به «متن‌های موقت» یا partials، تولید می‌کند؛ سپس با رسیدن اطلاعات بیشتر، ممکن است آن‌ها را اصلاح کند و در نهایت نسخه‌ای پایدار را به‌عنوان متن نهایی ثبت می‌کند.

این تفاوت در کاربردهای تعاملی مهم است. یک عامل صوتی می‌تواند پیش از آن‌که گوینده جمله‌اش را تمام کند، بخشی از گفته را دریافت کند و فرایند استدلال یا فراخوانی ابزار را آغاز کند. البته متن اولیه ممکن است با ادامه صحبت تغییر کند؛ به همین دلیل خروجی نهایی پس از رسیدن زمینه بیشتر تثبیت می‌شود. Microsoft می‌گوید در آزمون‌های داخلی این شرکت، واژه‌ها دو برابر سریع‌تر از نزدیک‌ترین رقیب ظاهر شده‌اند؛ این ادعا مربوط به ارزیابی داخلی شرکت است.

نتایج Artificial Analysis و معنای دقت

Artificial Analysis برای مقایسه مدل‌های تبدیل گفتار زنده به متن از شاخص AA-WER Streaming استفاده کرده است. آزمون حدود هشت ساعت صوت را در بر می‌گیرد: نیمی از داده‌ها از AA-AgentTalk، یک‌چهارم از VoxPopuli و یک‌چهارم از Earnings22 است. زمان تأخیر در این ارزیابی از پایان گفتار محاسبه می‌شود؛ پایان صحبت را ابزار SileroVAD تشخیص می‌دهد.

معیار دقت گزارش‌شده، WER یا نرخ خطای واژه است. این معیار سهم واژه‌های درج‌شده، حذف‌شده یا اشتباه را در مقایسه با متن مرجع نشان می‌دهد و عدد پایین‌تر به معنای خطای کمتر است. طبق داده‌های منتشرشده، MAI-Transcribe-2-Streaming برای متن نهایی به WER برابر با ۲٫۵ درصد رسیده و ۰٫۱۳ ثانیه پس از پایان گفتار نتیجه نهایی را ارائه کرده است. این عملکرد آن را در رتبه اول میان ۳۸ مدل قرار داده است.

در ارزیابی نخستین متن موقت نیز WER این مدل ۲٫۵ درصد ثبت شده است؛ زمان گزارش‌شده برای این خروجی ۰٫۱۲ ثانیه پس از پایان گفتار است و مدل در این معیار هم رتبه نخست را دارد. برابر بودن دقت متن موقت و متن نهایی در این آزمون، برای برنامه‌هایی که باید پیش از اتمام صحبت واکنش نشان دهند قابل توجه است؛ با این حال، این نتیجه به مجموعه‌داده و روش سنجش همین آزمون مربوط می‌شود و به‌تنهایی تضمین‌کننده عملکرد یکسان در همه زبان‌ها و شرایط صوتی نیست.

در مقایسه‌های گزارش‌شده، Grok Voice Transcribe 2.0 به WER برابر با ۲٫۷ درصد و زمان ۰٫۴۹ ثانیه برای متن نهایی رسیده است. Muse Voice Transcribe با WER برابر با ۳٫۱ درصد و زمان ۰٫۱۶ ثانیه در جایگاه بعدی قرار دارد. این نتایج نشان می‌دهد سرعت و دقت را باید هم‌زمان سنجید: برای نمونه، Cartesia Ink-2 متن نهایی را در ۰٫۰۷ ثانیه برمی‌گرداند، اما WER آن ۴ درصد گزارش شده است. بنابراین سریع‌ترین پاسخ الزاماً کم‌خطاترین پاسخ نیست.

Artificial Analysis همچنین MAI-Transcribe-2-Streaming را روی مرز پارتو میان دقت و تأخیر قرار داده است؛ به‌بیان ساده، در داده‌های این مقایسه، ترکیبی از سرعت و دقت آن در محدوده‌ای است که بهتر کردن یکی از این دو معیار معمولاً بدون مصالحه در دیگری ممکن نیست. این رتبه‌بندی تصویری از عملکرد در آزمون مشخص ارائه می‌دهد، نه ارزیابی مستقل از همه موقعیت‌های استفاده.

قیمت و راه‌های دسترسی توسعه‌دهندگان

قیمت اعلام‌شده برای MAI-Transcribe-2-Streaming برابر با ۰٫۵۴ دلار به‌ازای هر ساعت صوت است. این نرخ، طبق گزارش، قیمت معرفی‌شده‌ای است که تا پایان سال ۲۰۲۶ اعتبار دارد. Artificial Analysis همین هزینه را معادل ۹ دلار به‌ازای هر هزار دقیقه محاسبه کرده است. نسخه دسته‌ای MAI-Transcribe-2 با نرخ ۰٫۱۰ دلار برای هر ساعت صوت عرضه می‌شود؛ بنابراین نسخه زنده هزینه بیشتری دارد.

در مقایسه با نرخ‌های ذکرشده برای برخی رقیبان، قیمت مدل Microsoft از xAI و Meta بیشتر است و تقریباً با برآورد قیمت Google برابری می‌کند. قیمت Google در این مقایسه تخمینی و مبتنی بر پرداخت بر اساس توکن گزارش شده است؛ در نتیجه مقایسه نرخ‌ها لزوماً همه تفاوت‌های شیوه قیمت‌گذاری یا امکانات سرویس‌ها را نشان نمی‌دهد.

Microsoft دو مسیر اصلی برای اتصال به مدل معرفی کرده است. Realtime API برای برنامه‌هایی مناسب است که از پیش با WebSocket سازگار با OpenAI Realtime کار می‌کنند. WebSocket روشی برای نگه‌داشتن ارتباط پیوسته میان برنامه و سرویس است تا صوت و متن بتوانند بدون قطع‌و‌وصل‌های پیاپی ردوبدل شوند. مسیر دیگر Azure Speech SDK است؛ این ابزار بخش‌هایی مانند مدیریت اتصال، تلاش دوباره پس از خطا و انتقال جریان صوتی را بر عهده می‌گیرد. هر دو مسیر، طبق مستندات Microsoft، خروجی موقت و نهایی را ارائه می‌کنند.

این مدل در MAI Playground، از طریق Vercel و در Azure Voice Live نیز در دسترس است. پشتیبانی LiveKit در گزارش به‌عنوان قابلیتی که قرار است در آینده ارائه شود فهرست شده است. Microsoft همچنین آن را در کنار MAI-Voice-2.1-Flash برای ساخت چرخه کامل تعامل صوتی پیشنهاد می‌کند؛ چرخه‌ای که در آن سامانه هم گفتار کاربر را می‌فهمد و هم پاسخ صوتی تولید می‌کند.

طبق اطلاعات ارائه‌شده، MAI-Voice-2.1-Flash می‌تواند ۴۵ ثانیه صوت را با تأخیر انتهابه‌انتهای ۱۵۰ میلی‌ثانیه تولید کند و قیمت آن ۱۵ دلار برای هر یک میلیون نویسه است. مدل MAI-Voice-2.1 نیز از ۲۳ زبان و ۲۶ منطقه زبانی پشتیبانی می‌کند و قیمت آن ۲۲ دلار برای هر یک میلیون نویسه اعلام شده است. این محصولات در کنار مدل تشخیص گفتار قرار می‌گیرند، اما هرکدام وظیفه متفاوتی دارند: یکی گفتار ورودی را به متن تبدیل می‌کند و دیگری متن را به صوت بدل می‌سازد.

محدودیت‌ها و جایگاه مدل در محصولات صوتی

عرضه MAI-Transcribe-2-Streaming در قالب پیش‌نمایش عمومی گزارش شده است و برای آن توافق‌نامه سطح خدمات یا SLA اعلام نشده است. همچنین مدل متن‌باز نیست و وزن‌های آن در دسترس عمومی قرار نگرفته‌اند. در نتیجه، کسب‌وکارهایی که به تضمین قراردادی سطح دسترس‌پذیری یا امکان اجرای مدل روی زیرساخت خود نیاز دارند، باید این موارد را در ارزیابی محصول لحاظ کنند.

در اطلاعات منتشرشده، پشتیبانی از تفکیک گویندگان در جریان زنده برای این مدل مشخص نشده است. تفکیک گوینده قابلیتی است که مشخص می‌کند هر بخش از متن را چه کسی گفته است؛ قابلیتی مهم در جلسه‌های چندنفره و پیاده‌سازی مصاحبه‌ها. ازاین‌رو، رتبه بالای مدل در آزمون دقت و تأخیر به‌معنای برتری در همه ویژگی‌های مورد نیاز یک محصول صوتی نیست.

همچنین نتیجه‌های مقایسه باید در زمینه آزمون خوانده شوند: مجموعه داده حدود هشت ساعت صوت دارد و زمان‌سنجی از پایان گفتار تشخیص‌داده‌شده آغاز می‌شود. عملکرد واقعی می‌تواند به زبان، کیفیت ضبط، شیوه صحبت، نویز محیط و نحوه اتصال برنامه وابسته باشد؛ منبع درباره نتیجه مدل در همه این شرایط جزئیاتی ارائه نمی‌کند. بنابراین برای تیم‌های توسعه، آزمایش مدل با نمونه‌های صوتی و نیازهای واقعی محصول همچنان اهمیت دارد.

با وجود این ملاحظات، ترکیب متن موقت کم‌تأخیر، خروجی نهایی دقیق در آزمون Artificial Analysis و دسترسی از طریق API و SDK، مدل را به گزینه‌ای برای ساخت تجربه‌های صوتی تعاملی تبدیل می‌کند. هزینه بالاتر از نسخه دسته‌ای و برخی رقیبان، نبود SLA در پیش‌نمایش و نامشخص بودن تفکیک گوینده در جریان زنده نیز عواملی هستند که ممکن است بر انتخاب توسعه‌دهندگان اثر بگذارند.

این خبر برای چه کسانی اهمیت دارد

این خبر بیش از همه برای توسعه‌دهندگانی اهمیت دارد که عامل‌های صوتی، زیرنویس زنده، ابزارهای دیکته یا برنامه‌های مبتنی بر مکالمه می‌سازند. دریافت متن پیش از پایان صحبت می‌تواند به محصول اجازه دهد زودتر واکنش نشان دهد، اما متن‌های موقت ممکن است اصلاح شوند و سامانه باید این تغییر را مدیریت کند.

تیم‌های محصول و شرکت‌هایی که هزینه پردازش صوت را محاسبه می‌کنند نیز باید نرخ ساعتی مدل زنده را در کنار نسخه دسته‌ای و گزینه‌های دیگر بسنجند. برای کاربران سازمانی، وضعیت پیش‌نمایش، نبود SLA و نبود وزن‌های باز اهمیت دارد؛ برای توسعه‌دهندگان هم انتخاب میان Realtime API و Azure Speech SDK می‌تواند به زیرساخت و شیوه اتصال برنامه وابسته باشد. رتبه نخست در آزمون Artificial Analysis نشانه‌ای از عملکرد رقابتی در سنجش مشخص است، اما تصمیم نهایی بهتر است با آزمون روی صوت و نیازهای واقعی هر کاربرد گرفته شود.