Microsoft AI MAI-Transcribe-2-Streaming уонна MAI-Voice-2.1 моделлары таһаарда

2026 сыл алтынньы 1 күнүгэр Microsoft AI MAI-Transcribe-2-Streaming — бастакы потоковай транскрипция моделын — уонна MAI-Voice-2.1 уонна MAI-Voice-2.1-Flash TTS моделларын Microsoft Foundry нөҥүө таһаарда, Unite.AI уонна Microsoft суруйдулар.

Потоковай транскрипция

Microsoft этэринэн, MAI-Transcribe-2-Streaming 60 тылынан намыһах задержкалаах реал кэмҥэ транскрипциялыыр, тылы бэйэтэ быһаарар. 2026 сыл балаҕан ыйын 28 күнүнээҕи Artificial Analysis таблицатыгар кэриҥэ 2,5% финальнай WER, 2,8% бастакы partial уонна 0,13 с финалга дылы; бастакы partials — 100 мс тахса. Сыаната сыл бүтэһигэ дылы $0,54/чаас аудио.

Куолас моделлара

MAI-Voice-2.1 — 23 тыл / 26 локаль ($22 / 1M бэлиэ). MAI-Voice-2.1-Flash — үрдүк нагрузка, ~150 мс задержка, 45 с дылы аудио ($15 / 1M бэлиэ); Microsoft 55% түргэнник уонна 60% чэпчэки диир. Иккиэн хас да сөкүүндэлээх куолас клоннааһынын уонна сөбүлэһии хааччыйыытын өйүүллэр. 4000 истиэхситтэн 50,3% MAI-Voice-у киһи курдук эбэтэр ордук диэбиттэр.

Кырааскыта

Бенчмарк лидерствота уонна «киһи курдук» сыанабыллара — вендор эттэрэ. Бу продукт тахсыытын туһунан кылгас суруйуу, сөбүлээһин буолбатах.