Microsoft vydává upgrady na Azure AI Speech na Build 2024
Společnost oznámila řadu vylepšených funkcí pro služby Azure AI, které podporují vytváření s generativní AI.
Na výroční vývojářské konferenci Build v úterý společnost Microsoft oznámila nové funkce pro svou službu Azure AI Speech, které zlepšují hlasový a generativní vývoj aplikací založených na AI.
Azure AI Speech se již používá pro „různé případy použití včetně analýzy hovorů (audio, text), lékařského přepisu (audio, vize, text), titulků (audio/video, přepis, překlad) a chatbotů (audio, GPT) “, uvedl Microsoft ve vydání. Tato služba má k dnešnímu dni mnoho funkcí, včetně převodu zvuku na textové titulky pro vysílání nebo extrahování adres uvedených v telefonním hovoru.
Jedním z vrcholů odhalení OpenAI GPT-4o z minulého týdne byl vylepšený hlasový režim, který se soustředil na vylepšenou kvalitu hlasu při odezvách programu. Společnost Microsoft, aby udržela krok, oznámila, že obecně zpřístupňuje Personal Voice.
Tato funkce umožňuje uživatelům „vytvářet a používat vlastní hlasy AI pro různé aplikace, jako jsou hlasoví asistenti, překlad řeči a vytváření videoobsahu,“ vysvětluje vydání.
Další novou funkcí je analýza řeči, která je nyní k dispozici v náhledu. Přístupný v Azure AI Studio, vývojovém prostředí Adobe, má řešit to, co společnost nazývá „měkkou“ analýzou telefonních hovorů nebo jiných zdrojů zvuku. Měkkým prvkem hovoru může být sémantický obsah nebo to, jak se zdá, že se volající cítí, což je pravděpodobně jemnější než obsah samotného hovoru.
Analýza sentimentu by mohla odhalit detaily, jako je „míra projevené empatie, oddanost účastníků a síla předložených argumentů nebo dokonce předvídat možné toky konverzace,“ vysvětluje zpráva.
V přepisu hovoru mohou být například sekce označeny hodnocením fráze každého mluvčího jako „pozitivní“, „negativní“ nebo „neutrální“. Interaktivní ukázku si můžete prohlédnout zde.
Aby byla možná rychlá analýza, Microsoft také zavádí Fast Transscription, o kterém společnost tvrdí, že je „přepisem hry obecně“, protože „teď dokáže přepisovat 40x rychleji než v reálném čase (faktor v reálném čase<1).
Podle společnosti může Fast Transscription ušetřit agentům call centra „tisíce hodin“ tím, že eliminuje potřebu ručního pořizování poznámek k hovoru, a lékaři a sestry mohou analyzovat rozhovory s pacienty během několika sekund. „Tvůrci médií a obsahu mohou analyzovat a extrahovat poznatky z podcastů nebo rozhovorů, jakmile jsou dokončeny,“ pokračuje vydání.
Microsoft uvedl, že tato funkce bude zpřístupněna příští měsíc.
Příklad analýzy po hovoru se zákazníkem.
Aby společnost Microsoft uspokojila potřebu globálního šíření obsahu, připravila také automatický dabing videa, který překládá obsah, syntetizuje hlas v cílovém jazyce a synchronizuje jej s videem mluvčího.
Kromě toho společnost oznámila aktualizace své funkce vícejazyčného překladu, jako je možnost přepínat jazyky pro titulky, když člověk sleduje vysílání.