Microsoft تطلق MAI-Transcribe-2-Streaming أول نموذج لديها للتفريغ الصوتي الفوري

أعلنت Microsoft AI في 1 أكتوبر 2026 عن MAI-Transcribe-2-Streaming، أول نموذج لديها للتعرف على الكلام بشكل متدفق (streaming). ويحول النموذج الكلام إلى نص جزءا بعد جزء بينما المتحدث ما زال يتكلم. وفي اليوم نفسه قدمت الشركة نموذجين جديدين لتحويل النص إلى كلام هما MAI-Voice-2.1 وMAI-Voice-2.1-Flash. وتستهدف النماذج الثلاثة معا المطورين الذين يبنون وكلاء ذكاء اصطناعي قادرين على إجراء محادثات صوتية مع الناس. ويتوفر MAI-Transcribe-2-Streaming في معاينة عامة عبر Microsoft Foundry وAzure Speech.

نموذج يكتب الكلام أثناء الحديث

بحسب صفحة التوثيق على Microsoft Learn، فإن MAI-Transcribe-2-Streaming نموذج منخفض الكمون لتحويل الكلام إلى نص، يستقبل الصوت كتدفق متواصل ويعيد النص تدريجيا أثناء الحديث. وتحدّث النتائج المرحلية التخمين الحالي باستمرار، بينما تثبّت النتائج النهائية كل مقطع. وتذكر Microsoft من استخداماته مراكز الاتصال والمساعدات الصوتية وترجمة الاجتماعات والمحاضرات نصيا والواجهات التي تُدار بالصوت وتدوين الملاحظات الفوري. وكانت الشركة قد قدمت من قبل MAI-Transcribe-2 للتسجيلات الصوتية، والنموذج الجديد هو أول أفراد هذه العائلة الذي يعمل على الصوت المباشر.

وبحسب إعلان Microsoft، يدعم النموذج 60 لغة مع اكتشاف تلقائي ومستمر للغة المنطوقة. وتضم قائمة اللغات في التوثيق التركية، كما تضم العربية والصينية. وإذا لم تُحدد اللغة يعمل النموذج في الوضع متعدد اللغات. وتقول الشركة إن النموذج يقدم أولى نتائجه المرحلية بعد ما يزيد قليلا على 100 جزء من الثانية من بدء استقبال الصوت، وإنه احتل عند الإعلان المرتبة الأولى على موقع القياس المستقل Artificial Analysis في دقة النصوص المرحلية والنهائية معا.

ثلاثة نماذج للوكلاء الصوتيين

يحول MAI-Voice-2.1 وMAI-Voice-2.1-Flash النص إلى كلام. وبحسب صفحة النموذج، يُنصح بـ MAI-Voice-2.1 حين تكون جودة الصوت أهم من السرعة، مثل الكتب الصوتية والتعليق الصوتي، بينما تستهدف نسخة Flash الأعمال الحساسة للكمون مثل وكلاء مراكز الاتصال والمساعدات الصوتية. ويدعم النموذجان التحكم في النبرة العاطفية واستنساخ الصوت من مقطع مرجعي قصير، وتقول Microsoft إنهما يتضمنان ضوابط موافقة لمنع إساءة الاستخدام. وتضم قائمة اللغات في الصفحة التركية أيضا.

وبحسب Microsoft، فإن الجمع بين MAI-Transcribe-2-Streaming وMAI-Voice-2.1-Flash يوفر الوقت على طرفي المحادثة، فيمنح الوكيل مساحة أكبر للاستدلال واستخدام الأدوات والتحقق من إجابته. كما أضافت الشركة إلى MAI Playground عرضا تجريبيا باسم Chatter يُظهر النماذج وهي تعمل معا.

طرق الاستخدام والإتاحة

ينشر المطورون النموذج على موردهم الخاص في Microsoft Foundry ويتصلون به بإحدى طريقتين: اتصال WebSocket متوافق مع OpenAI Realtime API، أو Azure Speech SDK الذي يتولى إدارة الاتصال. وبحسب التوثيق، يُقدَّم النموذج حاليا من مناطق وسط السويد ووسط الولايات المتحدة وجنوب الهند، على أن تُضاف منطقة شرق الولايات المتحدة 2 قريبا. وتقول Microsoft إن النماذج متاحة أيضا عبر MAI Playground وVercel وAzure Voice Live، وإن دعم LiveKit سيصل قريبا. والأسعار الحالية متاحة على موقع Microsoft.

النموذج في مرحلة المعاينة العامة. وبحسب توثيق Microsoft، تُقدَّم المعاينة دون اتفاقية مستوى خدمة (SLA)، ولا يوصى بها لأعمال الإنتاج، وقد تكون بعض الميزات محدودة. ولا توجد حاليا على جانب الخادم ميزة لاكتشاف انتهاء الكلام، لذا على التطبيق نفسه رصد التوقفات وطلب النص النهائي. ومن المفيد تجربة النموذج بلغتك وعلى تسجيلاتك الخاصة، ولرؤية الصورة كاملة تجدر متابعة تقييمات الباحثين المستقلين.

المصادر: Microsoft AI: أول نموذج للتفريغ المتدفق، وMicrosoft Learn: MAI-Transcribe-2-Streaming، وMicrosoft Learn: الاستخدام عبر Realtime API، وMicrosoft AI: MAI-Voice-2.1.