مایکروسافت مدل‌های جدید هوش مصنوعی تولید تصویر و صدا را معرفی کرد

مایکروسافت با معرفی مدل‌های جدید MAI-Image-2.5-Pro و MAI-Voice-2-Flash، توسعه هوش مصنوعی اختصاصی خود را سرعت بخشید.

به‌ گزارش سرویس هوش مصنوعی تک‌ناک، مایکروسافت از جدیدترین مدل‌های هوش مصنوعی خود با نام‌های MAI-Image-2.5-Pro و MAI-Voice-2-Flash رونمایی کرد. این شرکت همچنین اعلام کرد که استفاده از مدل‌های اختصاصی خود را در سرویس‌هایی مانند Bing Image Creator، پاورپوینت، OneDrive، Dynamics 365 و Dragon Copilot گسترش داده است.

مدل MAI-Image-2.5-Pro پیشرفته‌ترین مدل تولید تصویر مایکروسافت محسوب می‌شود و برای تولید و ویرایش تصاویر با جزئیات بالا، ساخت تصاویر شاخص و نمایش دقیق‌تر متن در تصاویر توسعه یافته است.

هزینه استفاده از این مدل ۵ دلار به ازای هر یک میلیون توکن متنی ورودی، ۸ دلار برای هر یک میلیون توکن تصویری ورودی و ۱۰۶ دلار برای هر یک میلیون توکن تصویری خروجی است. کاربران می‌توانند این مدل را به‌صورت رایگان در MAI Playground آزمایش کنند.

مایکروسافت هم‌زمان نسخه آزمایشی عمومی MAI-Voice-2-Flash را نیز منتشر کرده است. این مدل تبدیل متن به گفتار برای کاربردهایی مانند دستیارهای صوتی و مراکز تماس طراحی شده و طبق اعلام مایکروسافت، دو برابر سریع‌تر و ۳۲ درصد ارزان‌تر از MAI-Voice-2 است، در حالی که کیفیت صدا و طبیعی بودن گفتار را حفظ می‌کند. هزینه استفاده از این مدل نیز ۱۵ دلار به ازای هر یک میلیون کاراکتر تعیین شده است.

مایکروسافت اعلام کرد مدل‌های هوش مصنوعی مایکروسافت اکنون در بسیاری از محصولات این شرکت مورد استفاده قرار می‌گیرند. سرویس Bing Image Creator به‌طور کامل از مدل MAI-Image-2.5 استفاده می‌کند و قابلیت‌های تبدیل تصویر به تصویر در پاورپوینت نیز با همین مدل اجرا می‌شوند. این شرکت می‌گوید مهاجرت از GPT-Image-2 به MAI-Image-2 هزینه پردازش گرافیکی را تا ۸۴ درصد کاهش داده است.

در OneDrive نیز مدل MAI-Image-2.5 وظیفه ویرایش تصاویر را بر عهده دارد و باعث افزایش ۲۶ درصدی نرخ ذخیره‌سازی تصاویر، کاهش حدود ۲۵ درصدی تأخیر پردازش و افزایش ۲.۵ برابری بهره‌وری در بارهای کاری متوسط شده است.

مدل MAI-Voice-2-Flash همچنین در Dynamics 365 Contact Center مورد استفاده قرار گرفته و توانسته هزینه پردازش GPU را تا ۸۹ درصد کاهش دهد. این مدل اکنون در Azure Voice Live نیز در دسترس توسعه‌دهندگان قرار دارد تا بتوانند عامل‌های گفت‌وگوی صوتی با تأخیر بسیار کم ایجاد کنند.

مایکروسافت همچنین اعلام کرد مدل MAI-Transcribe-1.5 اکنون قابلیت رونویسی چندزبانه در Dragon Copilot را برای ۵۸ زبان مختلف فراهم می‌کند و بخشی از راهبرد این شرکت برای کاهش وابستگی به مدل‌های شرکت‌های دیگر و توسعه اکوسیستم هوش مصنوعی اختصاصی به شمار می‌رود.