أطلقت Microsoft AI نموذج MAI-Transcribe-2-Streaming للنسخ اللحظي، ونموذجين جديدين لتحويل النص إلى كلام، موجّهة لوكلاء الصوت، بحسب The Decoder.
النسخ اللحظي
- تقول Microsoft إنه الأوّل في الدقّة على تصنيف Artificial Analysis.
- ينسخ 60 لغة، ويقدّم أوّل نتائج جزئية في ما يزيد قليلًا على 100 ميلي ثانية، ما يتيح للوكيل البدء بالرد بينما المتحدّث ما زال في منتصف الجملة.
- السعر التمهيدي حتى نهاية العام: 0.54 دولار لساعة الصوت.
تحويل النص إلى كلام
- MAI-Voice-2.1 مصمّم ليتحدّث 23 لغة بالصوت نفسه، وبلكنة أصلية في كل لغة.
- MAI-Voice-2.1-Flash يصل زمن استجابته إلى 150 ميلي ثانية، ويكلّف 15 دولارًا لكل مليون حرف بدل 22.
- يستطيع النموذجان استنساخ صوت من ثوانٍ قليلة من التسجيل المرجعي، مع ضمانات مدمجة لمنع إساءة الاستخدام.
- في أحد الاختبارات، ظنّ نحو نصف 4,000 مشارك أن الأصوات لأشخاص حقيقيين.
النماذج متاحة عبر Microsoft Foundry وMAI Playground وغيرها، والنموذجان الصوتيان أيضًا على OpenRouter.
ليه ده مهم؟
وكلاء الصوت يحتاجون سرعة أقرب إلى المحادثة البشرية، والفارق بين 100 و500 ميلي ثانية يُحسّ في المكالمة. لكن استنساخ صوت من ثوانٍ، وأصوات يظنّها نصف المستمعين بشرية، يرفع أهمية الضمانات والإفصاح حين يتحدّث الناس مع آلة. لم يذكر المصدر قائمة اللغات، فلا نعرف بعد مستوى دعم العربية.
المصادر: The Decoder — 2026-10-02
