Microsoft o‘zining ilk ichki ishlab chiqilgan to‘liq dupleksli AI ovozli MAI Realtime modelini sinovdan o‘tkazmoqda: xitoy tili va boshqa 16 til, 2 xil uslubni qo‘llab-quvvatlaydi

Texnologiya media nashri TestingCatalog 2-avgust kuni blogpost e’lon qilib, Microsoft o‘zining ilk mahalliy real vaqt ovozli modeli MAI Realtime’ni sinovdan o‘tkazayotganini xabar qildi. Model 16 til va 2 xil ovozni qo‘llab-quvvatlaydi, suhbat davomida bir vaqtning o‘zida tinglash va gapirish, tillarni avtomatik aniqlash hamda suhbat o‘rtasida tilni almashtirish imkonini beradi.

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

Sinovlar doirasida Microsoft ayrim hamkorlarini MAI Playground platformasida ushbu modelni sinab ko‘rishga taklif qilgani aytilmoqda. Uning Microsoft Foundry’da qachon ishga tushirilishi va Copilot’ning ovozli funksiyasiga qachon kengaytirilishi hozircha noma’lum.

Ishlash jihatidan MAI Realtime ikki tomonlama, to‘liq dupleksli o‘zaro aloqa usulidan foydalanadi. Unda “foydalanuvchi gapirib bo‘ladi, keyin model javob beradi” tarzidagi qat’iy navbat almashinuvi talab etilmaydi, shu sababli model bir vaqtning o‘zida tinglashi va javob berishi mumkin.

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

Qo‘llab-quvvatlanadigan tillar bo‘yicha MAI Realtime modeli xitoy tili ham kiradigan 16 tilni qo‘llab-quvvatlaydi. IT之家 blogpostga tayanib, quyidagi tegishli tillar ro‘yxatini keltirdi:

Ingliz tili

Nemis tili

Ispan tili

Fransuz tili

Italyan tili

Portugal tili

Yapon tili

Koreys tili

Xitoy tili

Golland tili

Hind tili

Indonez tili

Arab tili

Rus tili

Turk tili

Vetnam tili

Tay tili

Ovoz uslublari bo‘yicha xabarlarga ko‘ra, ushbu model sinov versiyasida Victoria va Grant nomli 2 xil ovozni taklif qiladi. Ular Copilot’ning hozirgi ovoz rejimlariga qaraganda tabiiyroq. Foydalanuvchi tilni o‘zi belgilashi yoki avtomatik aniqlash funksiyasini yoqishi mumkin.

Ushbu model qo‘shiq aytish yoki nutqqa aloqador bo‘lmagan ovoz effektlarini yaratishni qo‘llab-quvvatlamaydi, uning asosiy yo‘nalishi hanuz suhbat tizimidir. Sozlash panelida real vaqt kechikishi, modelning fikrlash jarayoni va ishlov berish bosqichlari ko‘rsatilishi mumkin. Namunalarni ulashish funksiyasi sinovdan foydalanish huquqi kengaytirilganidan so‘ng platforma foydalanuvchilariga taqdim etilishi mumkin.

Eslatma: to‘liq dupleksli ovoz (Full-duplex voice) tizim foydalanuvchi ovozini qabul qilish va javob chiqarishni bir vaqtning o‘zida amalga oshira olishini, tomonlardan biri to‘liq gapirib bo‘lishini kutish shart emasligini anglatadi. Tizim gapirishning boshlanishi, pauzasi va tugashini aniqlash uchun endpoint deteksiyasiga tayanadi, shuningdek, foydalanuvchi suhbatga aralashganda chiqayotgan javobni moslashtirishi kerak.

Microsoft avval chiqargan MAI ovozli modellari bir tomonlama edi. Ular qatoriga ovoz sintezi uchun mo‘ljallangan MAI-Voice-2 va uning Flash versiyasi hamda ovozni tanish uchun mo‘ljallangan MAI-Transcribe-1.5 kiradi.