Microsoft представила три новые модели: MAI-Transcribe-2-Streaming, MAI-Voice-2.1 и MAI-Voice-2.1-Flash. Модель для потоковой транскрипции обрабатывает речь через WebSocket, обновляя текст в реальном времени. Инструмент поддерживает более 60 языков, а время отклика для первой гипотезы транскрипта составляет в среднем 320 миллисекунд.
Стоимость использования MAI-Transcribe-2-Streaming составляет $0,54 за час аудио. Модели синтеза речи MAI-Voice-2.1 и MAI-Voice-2.1-Flash оцениваются в $22 и $15 за миллион символов соответственно. Оба решения поддерживают 23 языка, при этом версия Flash ориентирована на высокую скорость работы и снижение затрат.
Новые разработки направлены на снижение зависимости Microsoft от сторонних поставщиков, таких как OpenAI и Anthropic. Генеральный директор подразделения ИИ Мустафа Сулейман планирует сократить расходы за счет внедрения семейства моделей MAI в Copilot для Excel и Outlook. Архитектура агентов теперь включает три модели, включая Mai-Thinking-1.
