Голос Microsoft, который не отличить от человека

Я думаю о распознавании речи, потому что рассматриваю голосовых агентов, где низкая задержка критична для удобства использования. Недавно Microsoft AI опубликовала свою модель распознавания речи под названием MAI-Transcribe-2-Streaming, которая распознаёт 60 языков с первыми результатами уже через 100 с лишним миллисекунд и, по заявлениям, показывает лучший результат на Artificial Analysis. Также они представили новые модели синтеза речи MAI-Voice-2.1 и её быстрый вариант Flash, которые поддерживают 23 языка одним голосом с естественным акцентом для каждого языка и могут клонировать любой голос за несколько секунд по короткому аудиообразцу. Почти половина из 4000 опрошенных сочла синтетический голос человеческим, а Flash стоит всего $15 за миллион символов против $22 у стандартной версии.

При такой низкой задержке (около 100–150 мс) можно сделать так, чтобы голосовой ассистент либо казался слушающим, либо казался перебивающим. И именно этого Microsoft хочет добиться со своим продуктом — дать агентам возможность отвечать прямо во время речи пользователя. Никто не смог отличить синтетический голос от человеческого в половине случаев, а для холодных звонков или автоответчика этого достаточно. Разница в цене между Flash и обычной версией становится заметной, когда у вашего агента тысячи диалогов. Интегрировать это в существующее решение можно через OpenRouter или MAI Playground, но это требует ещё одного платного ключа вендора, и я советую сначала протестировать на небольшой выборке диалогов, прежде чем использовать в продакшене.