Microsoft yeni ses tanıma modeli MAI-Transcribe-2'yi tanıttı

Microsoft AI, ses tanıma alanındaki yeni modeli MAI-Transcribe-2'yi kullanıma sundu. Şirket, modelin OpenAI, Google ve ElevenLabs tarafından sunulan alternatiflerden daha hızlı, daha isabetli ve daha ucuz olduğunu açıkladı. Beş ay önce saatlik 0,36 dolar fiyatla çıkan ilk sürüme kıyasla fiyatı yaklaşık yüzde 72 oranında indiren şirket, yeni modelin saatlik ses işleme ücretini erken erişim kapsamında 10 sente düşürdü. Geliştiriciler modele Microsoft Foundry ve test ortamı MAI Playground üzerinden erişebiliyor.

Model, Haziran ayındaki sürümde 43 olan dil desteğini 60 dile çıkardı ve doğrudan temel pakette konuşmacı ayrımı, kelime düzeyinde zaman damgası, anahtar kelime önyargısı ve otomatik dil algılama gibi yetenekler barındırıyor. FLEURS testlerinde 60 dilde ortalama yüzde 5,2 kelime hata oranı elde eden sistem, yapay zeka hız değerlendirmelerinde OpenAI'ın GPT-Transcribe modelinden 10 kat, ElevenLabs'in Scribe v2 modelinden ise 7 kat daha hızlı çalıştı. Çok dilli konuşmalarda cümle ortasında dil değişimini destekleyen model, temiz ve harfi harfine döküm seçenekleri de sunuyor.

Bu hamle, Microsoft'un OpenAI ile kurduğu ortaklığa bağımlılığı azaltma ve kendi kurumsal yapay zeka altyapısını kurma stratejisinin bir parçasını oluşturuyor. Teams ve Nuance gibi yüksek hacimli ses verisi üreten ürünlerinde kendi modellerini kullanmayı amaçlayan şirket, bilgi işlem maliyetlerini düşürmeyi hedefliyor. Modelin anlık akış desteği, diller arası detaylı hata oranları ve kurumsal veri saklama koşulları konusundaki ayrıntılar ise henüz netlik kazanmadı.