Microsoft-ի նոր խոսքի ճանաչումը սկսում է գրել մոտ 100 մվ-ում, բայց դեռ preview է

4 հոկտեմբերի, 2026 թ., 06:00|Հեղինակ: QUASA-ի խմբագրական թիմ|5 րոպե ընթերցանություն

Microsoft-ը հոկտեմբերի 1-ի հայտարարությամբ ներկայացրել է MAI-Transcribe-2-Streaming-ը․ մոդելը ձայնը ստանալուց 100 մվ-ից փոքր-ինչ ավելի անց տալիս է առաջին նախնական տեքստը, աջակցում է 60 լեզվի, իսկ մինչև տարեվերջ դրա նախնական գինը ձայնի մեկ ժամի համար 0,54 դոլար է։ Ըստ ITmedia NEWS-ի հրապարակման՝ մոդելը Microsoft Foundry-ում հասանելի է հանրային preview կարգավիճակով։ Նախնական բառերը կարող են փոխվել, մինչ համակարգը ստանում է խոսքի շարունակությունը։

Հայաստանում մոդելը կարելի է փորձարկել նաև հայերեն խոսքի համար․ Microsoft-ի Realtime API-ի ուղեցույցը լեզուների ցանկում նշում է հայերենը, թույլ է տալիս ծառայությանը հասնել գլոբալ մակարդակով և յուրաքանչյուր սեանսը սահմանափակում է մեկ ժամով։ Նույն ուղեցույցի համաձայն՝ preview-ն չունի սպասարկման մակարդակի համաձայնագիր՝ SLA, և խորհուրդ չի տրվում արտադրական ծանրաբեռնվածության համար։ Այսպիսով, վաղ տեքստ ստանալու հնարավորությունն արդեն կա, իսկ անխափան աշխատանքի պայմանագրային երաշխիքը՝ դեռ ոչ։

Ինչ է նշանակում առաջին նախնական տեքստը

Հոսքային ճանաչման դեպքում հավելվածը ձայնն ուղարկում է խոսքի ընթացքում և ստանում փոփոխվող տեքստ։ Դա կարևոր է ուղիղ ենթագրերի և ձայնային գործակալի համար. առաջին բառերը կարող են երևալ կամ մշակվել, մինչ մարդը շարունակում է խոսել։ Հետագա ձայնը կարող է փոխել նախնական տարբերակը, որից հետո մոդելը հաստատում է կայուն հատվածը։ Հետևաբար արագ հայտնված բառը դեռ այն գրառումը չէ, որը կարելի է առանց վերանայման պահել որպես վերջնական արդյունք։

Microsoft-ի նշած ուշացումը հաշվվում է ձայնը մոդելին հասնելու պահից մինչև առաջին նախնական արդյունքը։ Օգտվողի տեսած ժամանակը կախված է նաև ձայնի հավաքումից, ցանցային կապից և հավելվածում տեքստի ցուցադրումից։ Հայաստանից օգտագործվող ծառայության համար սա էական տարբերություն է. նույնիսկ եթե մոդելն արագ է արձագանքում, ամբողջ շղթայի ուշացումը կարող է այլ լինել։ Հրապարակված թիվը պետք է ընկալել որպես մոդելի առաջին արձագանքի ցուցանիշ, ոչ որպես յուրաքանչյուր կապի ու սարքի համար խոստացված վերջնական արագություն։

Հայերենն ու հասանելիությունը Հայաստանից

Հայերենի առկայությունը թույլ է տալիս տեղական խոսքի փորձարկում սկսել առանց նախապես այլ լեզվով գրառում ստանալու։ Մոդելը կարող է նաև ինքնուրույն որոշել խոսքի լեզուն, ինչը նշանակություն ունի լեզուների միջև անցումներով զանգերի կամ հանդիպումների ժամանակ։ Սակայն աջակցվող լեզուների ցանկը առանձին չափում չէ հայկական առոգանությունների, բարբառային բառերի, անձնանունների կամ խառը խոսքի ճանաչման որակի համար։ Այդ տարբերությունը հատկապես զգալի է, երբ տեքստից հետո պետք է կազմվի ճշգրիտ արձանագրություն կամ գործարկվի որևէ գործողություն։

Գլոբալ հասանելիությունը չի նշանակում, որ ձայնը մշակվում է Հայաստանի ներսում։ Microsoft-ը ծառայության համար նշում է աջակցվող Azure տարածաշրջաններ, որոնց ուղղությամբ էլ փոխանցվում են հարցումները։ Տվյալների գտնվելու վայրի պահանջ ունեցող նախագծերի համար սա առանձին ճարտարապետական հարց է։ Կապի ուշացումն ու տվյալների մշակման վայրը նույնպես տարբեր հարցեր են. մոտակա օգտվողը կարող է արագ նախնական տեքստ տեսնել, բայց դա ինքնին ոչինչ չի ասում տվյալների տեղական պահպանման մասին։

Ինչ է պահանջում միացումը

Մոդելի համար նախատեսված են Realtime API-ի WebSocket կապը և Azure Speech SDK-ն։ Առաջին ուղին հարմար է այն հավելվածին, որն արդեն ինքնուրույն կառավարում է ձայնային հոսքն ու սերվերի իրադարձությունները։ SDK-ն տալիս է կապի, կրկնակի փորձերի և ձայնի փոխանցման կառավարվող գրադարան։ Երկու ուղիներն էլ վերադարձնում են ընթացիկ և հաստատված արդյունքներ, ուստի հավելվածը պետք է տարբերակի դրանք թե՛ ցուցադրման, թե՛ պահպանման ժամանակ։ Միացման համար անհրաժեշտ են Azure բաժանորդագրություն, Microsoft Foundry ռեսուրս և աջակցվող տարածաշրջանում մոդելի տեղակայում։

Realtime API-ում ընթացիկ հատվածը կարող է ամբողջությամբ փոխարինել նախորդ նախնական հատվածին, մինչ հաստատված բառերն առանձին են ավելանում գրառմանը։ Հավելվածը կարող է վերջնական արդյունք պահանջել խոսքի բնական դադարի կամ ձայնագրության ավարտի պահին։ Սերվերի կողմից խոսքի դադարների ավտոմատ հայտնաբերումն ու ինքնաշխատ հաստատումը այս ուղու համար նախատեսված չեն, հետևաբար դադարի որոշումն ու հաստատման պահը պետք է կազմակերպի հաճախորդի համակարգը։ Դա տեխնիկական մանրուք չէ. չափազանց շուտ հաստատված խոսքը կարող է կտրել միտքը, իսկ ուշ հաստատումը կարող է դանդաղեցնել գործածելի գրառման ստացումը։

Որ նախագծերում է preview-ի փորձարկումն իմաստավոր

Որոշումը կախված է վաղ նախնական տեքստի արժեքից և ընդհատման հետևանքից։ Ստորև տարբերակները վաղ փորձարկման խմբագրական գնահատական են, ոչ ծառայության արտադրական պատրաստության հավաստում։

Ուղիղ ենթագրեր. Խոսքի հետ գրեթե միաժամանակ հայտնվող բառերը կարող են օգնել դիտողին հետևել ընթացիկ ելույթին։ Փոփոխվող նախնական տողը պետք է փոխարինվի նոր տարբերակով՝ պահպանելով արդեն հաստատված հատվածը։ Վերահսկվող միջոցառման կամ ներքին ցուցադրության համար Realtime API-ն թույլ է տալիս մշակել այդ իրադարձությունները, իսկ առանց SLA-ի հանրային հեռարձակումը շարունակում է կրել հասանելիության ռիսկ։
Զանգերի կենտրոն. Օպերատորը կարող է շուտ տեսնել զանգահարողի պահանջի սկիզբը։ Նախնական բառի հիման վրա հաճախորդի տվյալ փոխելը կամ պարտավորություն գրանցելը, սակայն, մեծացնում է սխալի գինը։ Սահմանափակ ներքին փորձարկման համար Speech SDK-ն կարող է փոխանցել ընթացիկ տեքստը օպերատորին, իսկ գործառնական գրառման մեջ ընդունել միայն հաստատված հատվածները։
Հանդիպումների գրառում. Եթե հիմնական արդյունքը հանդիպումից հետո ընթեռնելի արձանագրությունն է, յուրաքանչյուր բառի վաղ հայտնվելու օգուտը փոքր է՝ համեմատած ամբողջական վերջնական հատվածների հետ։ Երկար հանդիպման դեպքում պետք է հաշվի առնել սեանսի սահմանը և գրառումը շարունակելու ձևը։ SDK-ով փորձարկման ժամանակ նախնական տեքստը կարող է երևալ մասնակիցներին, իսկ պահպանվող արձանագրությունը կազմվել հաստատված արդյունքներից։
Ձայնային գործակալ. Այս դեպքում նախնական տեքստն առավել անմիջական օգուտ ունի. համակարգը կարող է սկսել պատասխանի պատրաստումը, մինչ մարդը դեռ խոսում է։ Սխալ նախնական մտադրության հիման վրա արտաքին գործողություն կատարելը, սակայն, կարող է վնասել սպասարկմանը։ Realtime API-ով փորձարկման մեջ նախնական տեքստը կարելի է օգտագործել պատրաստման, իսկ հաստատված խոսքը՝ գործողության համար։

Նախնական գնային շրջանի ավարտից հետո սակագնի և արտադրական կարգավիճակի փոփոխության մասին հստակ տեղեկություն դեռ անհրաժեշտ կլինի երկարաժամկետ ներդրման որոշման համար։ Մինչ այդ ամենաշոշափելի օգուտը այն փորձարկումներում է, որտեղ խոսքի ընթացքում ստացվող տեքստը փոխում է փոխազդեցության ընթացքը, իսկ ծառայության ընդհատումը չի դադարեցնում հիմնական սպասարկումը։

Կարդացեք նաև:

Կիսվել: