Microsoft представила три собственные модели ИИ для распознавания речи, генерации голоса и создания изображений

Microsoft объявила о запуске трех новых моделей ИИ, полностью разработанных внутри компании: MAI-Transcribe-1, MAI-Voice-1 и MAI-Image-2. Эти модели предназначены для улучшения возможностей в области распознавания речи, генерации голоса и создания изображений соответственно.

MAI-Transcribe-1 — это модель преобразования речи в текст, которая достигает уровня ошибок в 3,8% по 25 языкам, превосходя существующие модели от OpenAI и Google. Она поддерживает множество аудиоформатов и обеспечивает более высокую скорость транскрипции по сравнению с текущими предложениями Microsoft Azure.

MAI-Voice-1 — модель преобразования текста в речь, способная генерировать 60 секунд естественного звучания аудио за одну секунду. Она сохраняет идентичность говорящего в длинных аудиозаписях и поддерживает создание пользовательских голосов на основе коротких аудиосэмплов. Стоимость использования модели составляет 22 доллара за 1 миллион символов.

MAI-Image-2, обновленный генератор изображений, обеспечивает более быстрое время создания и интегрирован в Bing и PowerPoint. Цена составляет 5 долларов за 1 миллион токенов для текстового ввода и 33 доллара за 1 миллион токенов для вывода изображений.

Эти модели доступны через Microsoft Foundry и новую платформу MAI Playground, что является значительным шагом в развитии ИИ технологий Microsoft.