مایکروسافت اولین مدل صدا به صدای خودش رو آورد
🎙️ مایکروسافت روز ۱۷ نوامبر ۲۰۲۶ (۲۶ آبان ۱۴۰۵) توی رویداد Ignite و از طریق وبلاگ رسمی Microsoft AI، اولین مدل Speech-to-Speech (صدا به صدا) خودش رو معرفی کرد. اسمش MAI Realtime 1 هست و برای ساختن Voice Agent (دستیار صوتی) طراحی شده؛ یعنی دستیارهایی که قراره با آدمها واقعاً گفتوگو کنن، نه اینکه فقط یه جملهٔ آماده رو بخونن.
صدا به صدا یعنی چی؟
خیلی از دستیارهای صوتی که تا حالا دیدید، سهمرحلهای کار میکنن. اول صدای شما رو به متن تبدیل میکنن، بعد یه مدل زبانی جواب رو مینویسه و آخرش اون متن دوباره صدا میشه. مدل صدا به صدا این مسیر رو کوتاه میکنه؛ صدا رو مستقیم میگیره و با صدا جواب میده. هدف اینه که گفتوگو روونتر جلو بره و اون مکثهای رباتی کمتر بشه.
توی یه تماس واقعی چه فرقی داره؟
طبق اطلاعیهٔ مایکروسافت:
- اگه وسط حرفش بپرید، ساکت میشه و گوش میده. «آهان» و «باشه»های کوتاه رو هم میفهمه و میدونه کی باید صبر کنه تا حرفتون تموم شه.
- سؤال ساده رو خودش سریع جواب میده. اگه کار فکر بیشتری بخواد، از یه موتور استدلال قویتر کمک میگیره، بدون اینکه گفتوگو با یه مکث ناجور قطع بشه.
- وسط سر و صدای خیابون یا وقتی چند نفر دیگه هم دارن حرف میزنن، باز درخواست شما رو تشخیص میده.
- میتونه به سامانهها و ابزارهای شرکت وصل بشه. مثلاً تصور کنید زنگ زدید یه هتل رو رزرو کنید؛ دستیار هم باهاتون حرف میزنه، هم مستقیم توی سامانهٔ رزرو کار رو جلو میبره.
- لحن و رفتارش با Prompt (دستور متنی) عوض میشه. یه دستیار میتونه برای پشتیبانی بانک رسمی و آروم باشه و برای یه فروشگاه آنلاین خودمونیتر.
قیمت و مقایسه با رقیب
قیمت پایه برای هر دقیقه صدا یه سنته. هزینهٔ استدلال جدا حساب میشه: هر یک میلیون توکن ورودی یک دلار و هر یک میلیون توکن خروجی پنج دلار. برای اینکه حسش کنید، یه تماس پشتیبانی دهدقیقهای بدون هزینهٔ استدلال حدود ده سنت درمیاد.
مایکروسافت میگه این مدل توی چند Benchmark (آزمون سنجش) عمومی، مثل Big Bench Audio برای استدلال گفتاری و τ-Voice برای انجام کامل کارها با صدا، و همینطور توی ارزیابیهای Dynamics 365 Contact Center، از نظر کیفیت، سرعت و قیمت از GPT Realtime 2.1 جلو زده.
کجاها قراره سر و کلهش پیدا بشه؟
شرکتهایی مثل Agoda و Reservations.ai از همین الان دارن امتحانش میکنن. مایکروسافت گفته این مدل رو به Dynamics 365 Contact Center برای خدمات مشتری میاره، و همینطور به Dragon Copilot؛ جایی که قراره باهاش گفتوگو با بیمار شبیهسازی بشه تا پرستارها تمرین کنن.
اگه برنامهنویس هستید، این مدل با OpenAI Realtime API سازگاره. یعنی اپی که الان با همین API کار میکنه، برای امتحان این مدل لازم نیست از صفر بازنویسی بشه.
چند تا نکته قبل از ذوقزدگی
- فعلاً توی Foundry بهصورت Preview (پیشنمایش) با دسترسی محدود عرضه شده و باید براش ثبتنام کنید. تا وقتی پیشنمایش عمومی شروع نشه، از مشتریهای این مرحله پولی گرفته نمیشه.
- یه نسخهٔ آزمایشی هم توی MAI Labs هست، ولی فقط برای استفادهٔ شخصیه و هر جلسهش حداکثر دو دقیقهست.
- همهٔ عددهای مقایسه رو خود مایکروسافت منتشر کرده و خودش هم گفته نتیجه بسته به نوع کار و روش سنجش فرق میکنه.
- توی این اطلاعیه فهرست زبانها اعلام نشده؛ پس هنوز معلوم نیست فارسی رو چقدر روون حرف میزنه.
#هوش_مصنوعی #دستیار_صوتی #مایکروسافت