مائیکروسافٹ اپنے پہلے خود تیار کردہ فل ڈوپلیکس AI وائس ماڈل MAI Realtime کی آزمائش کر رہا ہے: چینی سمیت 16 زبانیں، 2 انداز معاونت یافتہ

ٹیکنالوجی میڈیا TestingCatalog نے 2 اگست کو ایک بلاگ پوسٹ شائع کی، جس میں بتایا گیا ہے کہ مائیکروسافٹ اپنے پہلے مقامی ریئل ٹائم وائس ماڈل MAI Realtime کی آزمائش کر رہا ہے۔ یہ 16 زبانوں اور 2 آوازوں کو سپورٹ کرتا ہے، گفتگو کے دوران بیک وقت سننے اور بولنے کے قابل ہے، اور زبان کی خودکار شناخت اور گفتگو کے دوران زبان تبدیل کرنے کی سہولت فراہم کرتا ہے۔

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

آزمائش کے حوالے سے بتایا گیا ہے کہ مائیکروسافٹ نے کچھ شراکت داروں کو MAI Playground پلیٹ فارم پر اس ماڈل کی آزمائش کے لیے مدعو کیا ہے۔ فی الحال یہ واضح نہیں ہے کہ یہ Microsoft Foundry پر کب دستیاب ہوگا اور Copilot کے وائس فیچر میں کب شامل کیا جائے گا۔

کارکردگی کے لحاظ سے MAI Realtime دو طرفہ، فل ڈوپلیکس تعامل کا طریقہ استعمال کرتا ہے۔ اس میں لازمی طور پر “صارف کے بولنے کے بعد ماڈل کا جواب دینا” والی باری باری کی ترتیب درکار نہیں ہوتی، بلکہ یہ بیک وقت سننے اور جواب دینے کی معاونت کرتا ہے۔

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

معاونت یافتہ زبانوں کے حوالے سے MAI Realtime ماڈل چینی سمیت 16 زبانوں کو سپورٹ کرتا ہے۔ IT ہوم نے بلاگ پوسٹ کا حوالہ دیتے ہوئے معاونت یافتہ زبانوں کی فہرست پیش کی ہے:

انگریزی

جرمن

ہسپانوی

فرانسیسی

اطالوی

پرتگالی

جاپانی

کوریائی

چینی

ڈچ

ہندی

انڈونیشیائی

عربی

روسی

ترکی

ویتنامی

تھائی

آواز کے انداز کے حوالے سے بتایا گیا ہے کہ اس ماڈل کی آزمائش میں Victoria اور Grant نامی دو آوازیں فراہم کی گئی ہیں، جو Copilot کے موجودہ وائس موڈ سے زیادہ قدرتی ہیں۔ صارف زبان خود بھی منتخب کر سکتے ہیں یا خودکار شناخت فعال کر سکتے ہیں۔

یہ ماڈل گانے یا غیر صوتی ساؤنڈ ایفیکٹس تیار کرنے کی معاونت نہیں کرتا، اس کی بنیادی حیثیت اب بھی ایک مکالماتی نظام کی ہے۔ ڈیبگنگ پینل حقیقی وقت کی تاخیر، ماڈل کی سوچ کے مواد اور پراسیسنگ کے مراحل دکھا سکتا ہے۔ ممکن ہے کہ نمونے شیئر کرنے کا فیچر آزمائشی اجازت وسیع ہونے کے بعد پلیٹ فارم صارفین کے لیے دستیاب کیا جائے۔

نوٹ: فل ڈوپلیکس وائس (Full-duplex voice) سے مراد ایسا نظام ہے جو بیک وقت صارف کی آواز وصول اور جواب آؤٹ پٹ کر سکتا ہے، اور اسے کسی ایک فریق کے مکمل طور پر بولنے کا انتظار نہیں کرنا پڑتا۔ یہ بولنے کے آغاز، وقفے اور اختتام کی شناخت کے لیے اینڈ پوائنٹ ڈٹیکشن پر انحصار کرتا ہے، اور صارف کے درمیان میں بولنے کی صورت میں آؤٹ پٹ کو بھی ایڈجسٹ کرنا ضروری ہوتا ہے۔

مائیکروسافٹ کی جانب سے پہلے جاری کیے گئے MAI وائس ماڈلز یک طرفہ ماڈلز تھے، جن میں وائس سنتھیسس کے لیے MAI-Voice-2 اور اس کا Flash ورژن، جبکہ وائس ریکگنیشن کے لیے MAI-Transcribe-1.5 شامل ہیں۔