Dongcha, AI News'i geride bırakarak Microsoft AI, MAI-Transcribe-2-Streaming, MAI-Voice-2.1 ve MAI-Voice-2.1-Flash olmak üzere üç ses modelini tek seferde piyasaya sürdü. İlki, gerçek zamanlı konuşmayı metne dönüştürmekten sorumludur ve son ikisi, özellikle düşük gecikmeli ses aracıları için, metni konuşmaya dönüştürmekten sorumludur.
Bunların arasında MAI-Transcribe-2-Streaming, kişi konuşmayı bitirmeden metin çıktısı almaya devam edebilir ve 60 dili ve otomatik dil algılamayı destekler. Yapay Analiz'in akışlı konuşma transkripsiyon sıralaması, %2,5 kelime hata oranıyla hem son hem de ilk kısmi transkripsiyon doğruluğunda birinci sırada yer aldığını gösteriyor. Son metin, Grok Voice Transcribe 2.0'da %2,7 ve 0,49 saniyeye kıyasla, konuşmanın sonu algılandıktan yaklaşık 0,13 saniye sonra döndürüldü.
MAI-Voice-2.1 23 dili destekleyerek aynı sesin farklı diller arasında geçiş yapmasına olanak tanır. Flash sürümü, yaklaşık 45 ms'lik model çıkarım süresi ve milyon karakter başına 15 ABD doları tutarındaki fiyatla gecikmeyi azaltmak üzere tasarlanmıştır; standart sürüm yaklaşık 550 ms'dir ve fiyatı 22 $'dır. Her iki model de kısa bir referans ses parçasıyla vokal eşleşmesini destekler.
Bu kombinasyon, sesli temsilci deneyimini en çok etkileyen bekleme sorununu çözer. Sistem, kullanıcı konuşurken önceden yazıya dökmeye ve muhakeme etmeye başlayabilir ve ardından çalışmaya başlamadan önce cümlenin tamamının bitmesini beklemek zorunda kalmadan hızlı bir şekilde sesli yanıt oluşturmak için Flash'ı kullanır.