Microsoft представила три новых ИИ-модели для генерации изображений, синтеза речи и распознавания голоса – MAI-Image-2, MAI-Voice-1 и MAI-Transcribe-1.
Новая система охватывает основные мультимедийные сценарии: от создания визуального контента до полноценного голосового взаимодействия. Модель распознавания речи поддерживает 25 популярных языков и подходит для работы в реальных условиях – она без проблем справляется с акцентами, шумом и низким качеством записи. MAI-Transcribe-1 гораздо быстрее предыдущих решений компании.
Генератор речи, в свою очередь, делает ставку на реалистичность. Он способен воспроизводить интонации, эмоции и особенности голоса. MAI-Voice-1 создает до минуты аудио практически мгновенно. Также у модели есть опция клонирования голоса на основе короткого образца.
Обновлённая модель генерации изображений MAI-Image-2 способна создавать фотореалистичные сцены, графику с текстом и точной композицией. В компании отмечают, что она уже используется внутри собственных продуктов – Copilot и инструментах для работы с визуальным контентом.
Источник: сайт Microsoft (здесь и на обложке)
Все три решения доступны через платформы Microsoft Foundry и MAI Playground по платной подписке.
Комментарии