A Microsoft kiadja az Azure AI Speech frissítéseit a Build 2024-ben
A vállalat egy sor továbbfejlesztett funkciót jelentett be az Azure AI-szolgáltatásokhoz, amelyek támogatják a generatív AI-val történő építést.
A Microsoft keddi éves Build fejlesztői konferenciáján új funkciókat jelentett be az Azure AI Speech szolgáltatásához, amelyek javítják a hangalapú, generatív AI-alapú alkalmazásfejlesztést.
Az Azure AI Speech-et már használják "különféle felhasználási esetekben, beleértve a híváselemzést (hang, szöveg), az orvosi átírást (hang, kép, szöveg), a feliratozást (hang/videó, átírás, fordítás) és a chatbotokat (hang, GPT) " - áll a Microsoft közleményében. A szolgáltatás a mai napig számos funkcióval rendelkezik, beleértve a hangot a közvetítés szöveges felirataivá konvertálva vagy a telefonhívás során említett címek kinyerését.
Az OpenAI GPT-4o múlt heti bemutatásának egyik csúcspontja a továbbfejlesztett Voice Mode volt, amely a program válaszaira adott hang minőségének javítására összpontosított. A Microsoft, hogy lépést tartson, bejelentette, hogy általánosan elérhetővé teszi a Personal Voice szolgáltatást.
A funkció lehetővé teszi a felhasználók számára, hogy "saját mesterséges intelligencia hangjaikat hozzanak létre és használják különféle alkalmazásokhoz, például hangasszisztensekhez, beszédfordításhoz és videótartalom létrehozásához" - magyarázta a közlemény.
Egy másik új lehetőség a beszédelemzés, amely immár előnézetben is elérhető. Az Adobe fejlesztői környezetében, az Azure AI Studión belül elérhető, és a vállalat által a telefonhívások vagy más hangforrások „puha” elemzésének kell kezelnie. A hívás lágy eleme lehet a szemantikai tartalom, vagy a hívó fél érzései, ami feltehetően finomabb, mint maga a hívás tartalma.
A hangulatelemzés kimutathat olyan részleteket, mint "az empátia mértéke, a résztvevők elkötelezettsége és az elhangzott érvek erőssége, vagy akár előre jelezheti a lehetséges beszélgetési folyamatokat" - magyarázza a közlemény.
Például egy hívás átiratában a szakaszokat fel lehet jelölni az egyes beszélők kifejezésének „pozitív”, „negatív” vagy „semleges” értékelésével. Itt megtekintheti az interaktív bemutatót.
A gyors elemzés lehetővé tétele érdekében a Microsoft a Fast Transcription bevezetését is elindítja, amely a vállalat állítása szerint "játékváltó az átíráshoz", mivel "most 40-szer gyorsabban tud átírni, mint a valós időben (valós idejű faktor<1)."
A cég szerint a Fast Transcription "több ezer órát" takaríthat meg a telefonos ügyfélszolgálati ügynökök számára azáltal, hogy nem kell manuálisan jegyzetelni egy hívást, az orvosok és a nővérek pedig másodpercek alatt elemezhetik a betegekkel folytatott beszélgetéseket. "A média- és tartalomkészítők elemezhetik és betekintést nyerhetnek a podcastokból vagy interjúkból, amint befejeződnek" - folytatta a közlemény.
A Microsoft közölte, hogy a funkció a jövő hónapban lesz elérhető.
Példa egy ügyféllel végzett hívás utáni elemzésre.
A tartalom globális terjesztése iránti igény kielégítésére a Microsoft az automatikus videoszinkronizálást is bevetette, amely lefordítja a tartalmat, szintetizálja a hangot a célnyelven, és szinkronizálja azt a beszélő videójával.
Ezenkívül a vállalat bejelentette a többnyelvű fordítási funkciójának frissítéseit, például azt, hogy lehetőség nyílik a feliratozás nyelvének váltására, miközben egy személy adást néz.