Microsoft lancerer egne stemme-modeller: AI der lytter og taler samtidig

Microsoft udvider sin MAI-familie af egenudviklede AI-modeller med flere stemmemodeller. De skal gøre det nemmere at bygge stemmestyrede assistenter og kundeservice, der kan tale flere sprog.

MAI Realtime: lytter og taler på én gang

Den mest opsigtsvækkende model er MAI Realtime. Ifølge omtale af modellen er det Microsofts første native realtime-stemmemodel udviklet internt. Den er såkaldt »full-duplex«. Det betyder, at den kan lytte og tale på samme tid i stedet for at skiftes, som når to personer bruger walkie-talkie. I praksis kan en AI dermed lade sig afbryde og reagere mere naturligt i en samtale.

Modellen understøtter 17 sprog og har to startstemmer, Victoria og Grant. Adgangen er indtil videre begrænset til udvalgte partnere, så almindelige brugere kan ikke bare prøve den endnu.

Hurtig tale og transskribering

MAI-Voice-2-Flash er en tekst-til-tale-model, der skal levere hurtig og naturlig tale på 15 sprog. Den er optimeret til lav ventetid, så svar kan høres næsten med det samme. Det er vigtigt i stemmeassistenter, hvor selv korte pauser føles akavede.

MAI-Transcribe-1 går den anden vej og laver tale om til tekst på op til 25 sprog. Listen omfatter blandt andet dansk, svensk, tysk og fransk. Microsoft hævder ifølge omtalen, at modellen bruger omkring halvt så meget GPU-kraft som førende konkurrenter. GPU er den type chip, der driver AI-beregninger. Det tal er Microsofts eget og er ikke uafhængigt efterprøvet i det, jeg har kunnet finde.

Den ældre MAI-Voice-1 kan ifølge kilderne generere et minut lyd på under et sekund på en enkelt GPU.

Hvad betyder det for dig?

For almindelige brugere vil effekten komme indirekte: Stemmeassistenter i Copilot og i virksomheders apps kan blive hurtigere og mere naturlige at tale med. At dansk er med i transskriberingsmodellen er godt nyt for fx automatiske mødereferater og undertekster.

For Microsoft handler det også om at blive mindre afhængig af eksterne leverandører som OpenAI ved at bygge egne modeller. Om MAI Realtime kommer til at understøtte dansk, fremgår ikke af det, jeg har kunnet finde.

Det betyder det for dig

Hvis du bruger stemmeassistenter eller ringer til kundeservice, kan du på sigt opleve AI, der svarer hurtigere og lader sig afbryde, som et rigtigt menneske ville. Dansk er med i modellen, der laver tale om til tekst, så du kan holde øje med værktøjer til automatiske mødereferater og undertekster, som bygger på den. Du kan ikke selv prøve MAI Realtime endnu, da kun udvalgte partnere har adgang, så lige nu er der intet, du skal gøre andet end at se, hvad dine nuværende værktøjer opdaterer til.