Microsoft เพิ่งเปิดตัว MAI-Transcribe-1 ซึ่งเป็นโมเดลคำพูดเป็นข้อความล่าสุดที่ให้การถอดเสียงที่มีความแม่นยำสูงในสภาพเสียงในโลกแห่งความเป็นจริง โมเดลนี้พัฒนาโดยทีมงาน Microsoft AI Superintelligence รองรับ 25 ภาษา
รายชื่อภาษาที่รองรับ ได้แก่ อังกฤษ ฝรั่งเศส เยอรมัน อิตาลี สเปน ฮินดี โปรตุเกส เช็ก เดนมาร์ก ฟินแลนด์ ฮังการี ดัตช์ โปแลนด์ โรมาเนีย สวีเดน ญี่ปุ่น เกาหลี จีน อาหรับ อินโดนีเซีย รัสเซีย ไทย ตุรกี และเวียดนาม
นอกจากนี้ โมเดลยังได้รับการปรับให้เหมาะสมสำหรับสำเนียง ภาษาถิ่น และสภาพแวดล้อมที่มีเสียงดัง ทำให้เป็นเครื่องมืออเนกประสงค์สำหรับนักพัฒนาที่สร้างแอปพลิเคชันที่เปิดใช้งานด้วยเสียง
Microsoft กล่าวว่า MAI-Transcribe-1 มีประสิทธิภาพเหนือกว่าคู่แข่ง เช่น Scribe v2, Whisper-large-V3, GPT-Transcribe และ Gemini 3.1 Flash บนเกณฑ์มาตรฐาน FLEURS ซึ่งได้รับอัตราข้อผิดพลาดของ Word ที่ดีที่สุดในระดับเดียวกันในทุกภาษาที่รองรับ
เครดิตรูปภาพ: Microsoft
ความสามารถครอบคลุมถึงคำบรรยายสด การถอดเสียงจากคอลเซ็นเตอร์ คำบรรยายวิดีโอ เครื่องมือช่วยสำหรับการเข้าถึง อีเลิร์นนิง การเก็บถาวรสื่อ และการวิจัยตลาด โดยให้ทางเลือกข้อความที่ปรับปรุงการใช้งานและการปฏิบัติตามข้อกำหนด โมเดลนี้สามารถระบุภาษาได้โดยอัตโนมัติและมีประสิทธิภาพในสถานการณ์ที่มีเสียงรบกวนในโลกแห่งความเป็นจริง แม้ว่าฟีเจอร์ขั้นสูงบางอย่าง เช่น การถอดเสียงแบบเรียลไทม์ การแยกเสียงของผู้พูด และการให้น้ำหนักบริบท ก็มีกำหนดเปิดตัวในอนาคต
MAI-Transcribe-1 ยอมรับเสียงในรูปแบบ WAV, MP3 และ FLAC และมีราคาอยู่ที่ 0.36 เหรียญสหรัฐต่อชั่วโมงในการประมวลผลเสียง นักพัฒนาสามารถเข้าถึง MAI-Transcribe-1 ผ่าน Azure Speech โดยใช้ Speech SDK หรือ REST API เมื่อจำเป็น
ณ ขณะนี้ การใช้งานจำเป็นต้องชี้ไปยังภูมิภาคของสหรัฐอเมริกาตะวันออกหรือสหรัฐอเมริกาตะวันตก แต่ Microsoft วางแผนที่จะขยายความพร้อมใช้งานทั่วโลกในไม่ช้า ด้วยความแม่นยำในการถอดเสียงที่แข็งแกร่งและการรองรับภาษาที่กว้างขวาง MAI-Transcribe-1 มุ่งมั่นที่จะขับเคลื่อนแอพพลิเคชั่นที่หลากหลายตั้งแต่การปรับปรุงการเข้าถึงไปจนถึงการสร้างเนื้อหาและการวิเคราะห์การบริการลูกค้า
*️⃣ ลิงค์ที่มา:
เปิดตัว MAI-Transcribe-1 , Microsoft AI Superintelligence, ,