Microsoft inajaribu modeli yake ya kwanza ya sauti ya AI ya full-duplex, MAI Realtime: Inasaidia lugha 16 zikiwemo Kichina na mitindo 2

媒体 wa teknolojia TestingCatalog alichapisha makala ya blogu tarehe 2 Agosti, ikiripoti kwamba Microsoft inajaribu modeli yake ya kwanza ya asili ya sauti ya wakati halisi, MAI Realtime. Inasaidia lugha 16 na sauti 2, inaweza kusikiliza na kuzungumza kwa wakati mmoja katika mazungumzo, pamoja na kutambua lugha kiotomatiki na kubadilisha lugha katikati ya mazungumzo.

https://player.bilibili.com/player.html?bvid=bv1DkMZ6MEAR&autoplay=0&page=1

Kuhusu majaribio, inaripotiwa kwamba Microsoft tayari imewaalika baadhi ya washirika kujaribu modeli hiyo kwenye jukwaa la MAI Playground. Kwa sasa haijulikani itazinduliwa lini kwenye Microsoft Foundry au kuongezwa kwenye kipengele cha sauti cha Copilot.

Kuhusu uendeshaji, MAI Realtime hutumia mwingiliano wa pande mbili na full-duplex, bila kuhitaji kubadilishana zamu kwa kufuata mtindo mkali wa “mtumiaji amalize kuzungumza, kisha modeli ijibu”. Inaweza kusikiliza na kujibu kwa wakati mmoja.

https://player.bilibili.com/player.html?bvid=bv1DkMZ6ME6L&autoplay=0&page=1

Kuhusu lugha zinazotumika, modeli ya MAI Realtime inasaidia lugha 16, zikiwemo Kichina. IT之家 ilinukuu maelezo ya makala ya blogu na kuorodhesha lugha zinazotumika kama ifuatavyo:

Kiingereza

Kijerumani

Kihispania

Kifaransa

Kiitalia

Kireno

Kijapani

Kikorea

Kichina

Kiholanzi

Kihindi

Kiindonesia

Kiarabu

Kirusi

Kituruki

Kivietinamu

Kithai

Kuhusu mitindo ya sauti, inaripotiwa kwamba majaribio ya modeli hiyo yanatoa sauti mbili, Victoria na Grant, ambazo ni za asili zaidi kuliko mitindo ya sasa ya sauti ya Copilot. Watumiaji wanaweza kuchagua lugha wenyewe au kuwezesha utambuzi wa kiotomatiki.

Modeli hiyo haiwezi kuimba au kutoa madoido ya sauti yasiyo ya usemi; bado inalenga kuwa mfumo wa mazungumzo. Paneli ya utatuzi inaweza kuonyesha ucheleweshaji wa wakati halisi, mawazo ya modeli na hatua za uchakataji. Kipengele cha kushiriki sampuli huenda kikafunguliwa kwa watumiaji wa jukwaa baada ya ruhusa za majaribio kupanuliwa.

Kumbuka: Sauti ya full-duplex inamaanisha kwamba mfumo unaweza kupokea sauti ya mtumiaji na kutoa jibu kwa wakati mmoja, bila kusubiri upande mmoja umalize kabisa kuzungumza. Hutumia utambuzi wa vituo kutambua mwanzo, mapumziko na mwisho wa usemi, na pia inahitaji kurekebisha utoaji wake mtumiaji anapoingilia mazungumzo.

Modeli za sauti za MAI zilizotangazwa awali na Microsoft zote zilikuwa za mwelekeo mmoja, zikiwemo MAI-Voice-2 na toleo lake la Flash kwa ajili ya usanisi wa sauti, pamoja na MAI-Transcribe-1.5 kwa ajili ya utambuzi wa sauti.