Microsoft представила речевые модели MAI-Transcribe-2 и MAI-Voice-2

Microsoft выпустила три речевые модели MAI: MAI-Transcribe-2 для распознавания речи с диаризацией и таймкодами на уровне слов, MAI-Voice-2 для синтеза речи с управлением просодией и эмоциями и MAI-Voice-2-Flash с низкой задержкой для голосовых агентов. Поддержка 60 языков, потоковое распознавание в документации не заявлено.

• MAI-Transcribe-2 поддерживает 60 языков, диаризацию и таймкоды по словам
• MAI-Voice-2 даёт управление просодией и эмоциями синтезированной речи
• MAI-Voice-2-Flash оптимизирована под низкую задержку для голосовых агентов
• Потоковое распознавание в реальном времени в документации не указано