Microsoft’tan canlı konuşmayı yazıya döken yeni yapay zeka

Microsoft, konuşma bitmeden metin üretmeye başlayan MAI-Transcribe-2-Streaming modelini duyurdu. 1 Ekim tarihli açıklamaya göre model 60 dili destekliyor ve konuşulan dili kesintisiz olarak algılayabiliyor. Şirket aynı duyuruda MAI-Voice-2.1 ve daha düşük gecikmeye odaklanan Flash sürümünü de tanıttı.

Canlı metin üretiminde ilk sonuç, son halini almış bir cümle olmuyor. Model, sesi aldıktan kısa süre sonra geçici metni gösteriyor; konuşma ilerledikçe bu metni yeni bağlama göre düzeltiyor. Microsoft, ilk parçaların yaklaşık 100 milisaniyenin biraz üzerinde geldiğini belirtiyor. Bu yaklaşım canlı altyazı, dikte ve sesli asistanlar için kullanılabiliyor.

Şirket, modelin Artificial Analysis değerlendirmesinde hem geçici hem tamamlanmış metin doğruluğunda ilk sırada olduğunu söylüyor. Bu sonuç, her dilde ve her kayıt koşulunda aynı üstünlüğün sağlandığı anlamına gelmiyor.

Canlı sürümde bazı özellikler bulunmuyor

Microsoft’un sürüm karşılaştırmasına göre Streaming modelinde kelime bazında zaman damgası, konuşmacıları ayırma ve özel terimlerle tanımayı yönlendirme özellikleri yok. Bunlar standart MAI-Transcribe-2’de sunuluyor. Dolayısıyla canlı altyazı ihtiyacıyla, konuşmacılara ayrılmış ayrıntılı bir röportaj dökümü hazırlamak aynı ürün seçimini gerektirmeyebilir.

Yeni ses modellerinde Türkçe de var

MAI-Voice-2.1 ve Flash, 23 dilde metinden konuşma üretiyor. Azure belgelerinde iki model için de Türkçe Aydın ve Elif sesleri listeleniyor. Kısa bir referans kaydıyla ses eşleştirme özelliği ise izin ve onay koşullarına bağlı; bu özellik sınırsız ses kopyalama izni olarak sunulmuyor.

Microsoft, Streaming modeli için 2026 sonuna kadar ses saati başına 0,54 dolar tanıtım fiyatı açıkladı. Ses üretiminde ücret MAI-Voice-2.1 için bir milyon karakter başına 22 dolar, Flash için 15 dolar.

Azure tarafındaki ses modelleri halen genel önizleme aşamasında. Belgelerde bu sürümün hizmet düzeyi anlaşması olmadan sunulduğu ve üretim ortamları için önerilmediği belirtiliyor. Türkçe desteğinin bulunması da seslerin doğallığının bağımsız olarak test edildiği anlamına gelmiyor.