AI-stemmer afbryder nu brugeren midt i en sætning

Microsoft har lanceret lynhurtig tale-til-tekst på 60 sprog og to stemmer, der taler 23 sprog med lokal accent. Det giver mere naturlige samtaler, fordi digitale hjælpere kan svare mens brugeren taler, og stemmerne lyder næsten menneskelige. Modellerne kan nu prøves i Microsoft Foundry og MAI Playground til nedsat introduktionspris året ud.

Tænk på en lynhurtig sekretær, der skriver med, mens du taler. Sådan virker Microsofts model med navnet MAI-Transcribe-2-Streaming. Den forstår 60 sprog. Den viser det første stykke tekst efter godt 100 millisekunder, altså godt en tiendedel af et sekund. Microsoft siger, at den er den mest præcise hos tjenesten Artificial Analysis, som sammenligner modeller. Det betyder, at et stemmeprogram, altså et program der taler med dig, kan begynde at svare, mens du stadig taler. En times lyd koster 0,54 dollar i en særlig startpris, som gælder året ud.

Hvad med stemmer, der kan tale mange sprog? Microsoft har også vist to nye modeller, der laver tale ud fra tekst. Den ene hedder MAI-Voice-2.1. Den kan tale 23 sprog med den samme stemme. Den skal lyde med den lokale måde at tale på i hvert sprog. Den anden hedder MAI-Voice-2.1-Flash. Den svarer efter 150 millisekunder, altså meget hurtigt. Den koster 15 dollar for en million tegn, altså bogstaver og andre tegn i teksten, mod en normal pris på 22 dollar.

Begge talemodeller kan efterligne en stemme ud fra kun få sekunders lyd. Du lægger et kort stykke lyd ind som eksempel. Så taler modellen videre med den stemme. Der er indbyggede værn, altså beskyttelse i systemet, som skal forhindre misbrug.

Modellerne kan bruges flere steder, blandt andet i Microsoft Foundry og i MAI Playground. De to talemodeller findes også hos tjenesten OpenRouter. I en test med 4.000 deltagere troede omkring halvdelen, at stemmerne kom fra et virkeligt menneske.