Microsoft’tan Devrim: Konuşurken Yazıya Döken Yapay Zeka Geldi!

Yapay zeka dünyasında ses teknolojileri hızla evrim geçiriyor. Teknoloji devi Microsoft, sesli yapay zeka alanında devrim niteliğinde bir adım atarak, konuşmaları gerçek zamanlı olarak metne çeviren yeni modeli MAI-Transcribe-2-Streaming‘i duyurdu. Bu teknoloji, özellikle kullanıcı deneyimini doğrudan etkileyen “bekleme süresi” problemini ortadan kaldırarak, konuşma sürerken metin oluşturmaya başlayabiliyor.

Gerçek Zamanlı İşleme ve 100 Milisaniyelik Hız

Yeni model, bağımsız analiz platformu Artificial Analysis tarafından gerçekleştirilen testlerde, hem metin oluşturma hızı hem de doğruluk payı açısından zirveye yerleşti. MAI-Transcribe-2-Streaming’in en dikkat çeken özelliği, ses verisini aldıktan yaklaşık 100 milisaniye sonra ilk metin parçalarını oluşturabilmesi. Sistem, konuşmacı cümlesini bitirene kadar beklemiyor; bunun yerine konuşmanın akışına göre metni sürekli olarak güncelliyor ve anlam bütünlüğünü koruyor.

Bu yetenek, sadece teknoloji meraklılarını değil, aynı zamanda iş dünyasını da yakından ilgilendiriyor. Tıpkı Türkiye ve İngiltere arasındaki ticaret köprüsü gibi, küresel çapta büyük veri akışının olduğu sektörlerde bu tür hızlı çeviri araçları kritik bir rol oynayacak.

60 Dil Desteği ve Otomatik Algılama

Microsoft’un yeni geliştirdiği model, 60 farklı dili destekliyor ve konuşulan dili otomatik olarak algılayabiliyor. Bu geniş yelpaze; canlı altyazı sistemlerinden, toplantı transkripsiyonlarına ve karmaşık yapay zeka asistanlarına kadar birçok alanda kullanılabilmesine olanak tanıyor. Özellikle müşteri hizmetleri ve eğitim teknolojilerinde büyük bir verimlilik artışı bekleniyor.

Metinden Sese: MAI-Voice-2.1 ve Flash Sürümleri

Microsoft, transkripsiyon modelinin yanı sıra metinden sese dönüştürme konusunda da iki yeni çözüm sundu: MAI-Voice-2.1 ve MAI-Voice-2.1-Flash. Özellikle Flash sürümü, düşük gecikme süresine ihtiyaç duyan uygulamalar için tasarlandı ve uçtan uca gecikmeyi 150 milisaniyeye kadar düşürerek performans odaklı bir deneyim sunuyor. Bu teknolojiler, oyun devlerinde çocuk güvenliği gibi hassas ve hızlı tepki gerektiren süreçlerde de güvenlik ve etkileşim katmanı olarak kullanılabilir.

Erişim ve Fiyatlandırma

Microsoft, tüm bu modelleri Microsoft Foundry üzerinden geliştiricilerin kullanımına açtı. 2026 sonuna kadar geçerli olan tanıtım fiyatlandırmasına göre, transkripsiyon modeli saatlik ses başına 0,54 dolar olarak ücretlendiriliyor. Metinden sese dönüştürme modelleri ise milyon karakter başına 15 dolar ile 22 dolar arasında değişen fiyatlarla piyasaya sunuldu.

Bu teknolojik hamle, yapay zekanın sadece metin tabanlı değil, ses tabanlı iletişimde de ne kadar merkezileştiğini kanıtlıyor. Microsoft’un bu modellerle birlikte sesli asistan pazarındaki rekabeti bir üst seviyeye taşıyacağı öngörülüyor.