Trải nghiệm trò chuyện với trợ lý ảo hoặc các nhân vật NPC điều khiển bằng trí tuệ nhân tạo lâu nay thường vướng phải khoảng lặng ngượng ngùng: người dùng phải nói xong, dừng lại một nhịp dài để hệ thống ghi âm, chuyển đổi văn bản, gửi lên máy chủ xử lý rồi mới nhận được phản hồi. Rào cản cố hữu này vừa bị phá vỡ hoàn toàn khi nhóm nghiên cứu Microsoft AI chính thức công bố mô hình nhận diện giọng nói dạng luồng thế hệ mới mang tên MAI-Transcribe-2-Streaming trên Microsoft AI. Với khả năng bắt kịp từ ngữ chỉ sau hơn 100 mili-giây, công nghệ mới mở đường cho thế hệ tác tử giọng nói có thể tư duy và kích hoạt hành động ngay khi người dùng còn chưa dứt câu.
Chấm dứt cảnh chờ đợi trong các cuộc hội thoại thời gian thực
Khác với các công cụ chuyển giọng nói thành văn bản truyền thống vốn chỉ bắt đầu phân tích sau khi phát hiện khoảng lặng kết thúc câu, MAI-Transcribe-2-Streaming áp dụng cơ chế suy đoán từng phần (partials). Chỉ mất khoảng 120 mili-giây từ thời điểm sóng âm đầu tiên chạm vào micro, mô hình đã tạo ra những giả thuyết từ ngữ ban đầu trên màn hình với tốc độ hiển thị nhanh gấp hai lần các đối thủ cạnh tranh sừng sỏ nhất hiện nay.
Điểm mấu chốt nằm ở khả năng tự động điều chỉnh ngữ cảnh theo thời gian thực. Khi người dùng tiếp tục phát âm các từ tiếp theo, hệ thống sẽ linh hoạt nắn chỉnh lại các từ đứng trước cho khớp với ngữ cảnh toàn câu trước khi chốt lại bản ghi văn bản ổn định. Nhờ đó, người dùng không còn cảm giác đang nói chuyện với một cỗ máy ghi âm chậm chạp, mà là một cộng sự kỹ thuật số đang lắng nghe và phản ứng tức thì với từng nhịp thở của câu chuyện.
Mảnh ghép hoàn hảo cho NPC thông minh và hệ thống ra lệnh rảnh tay
Trong lĩnh vực gaming và trải nghiệm tương tác số, độ trễ âm thanh chính là yếu tố sống còn quyết định độ chân thực. Sự xuất hiện của MAI-Transcribe-2-Streaming kết hợp cùng bộ đôi mô hình giọng nói MAI-Voice-2.1 và MAI-Voice-2.1-Flash cho phép các nhà phát triển game hiện thực hóa những nhân vật NPC biết ngắt lời đúng lúc, phản xạ tức thì trước các mệnh lệnh chiến thuật khẩn cấp của game thủ mà không cần chờ đợi xử lý máy chủ.
Trong các pha giao tranh căng thẳng, người chơi chỉ cần hô khẩu lệnh, tác tử AI đồng hành có thể nhận diện ý định tấn công hay phòng thủ ngay từ nửa đầu câu nói để triển khai kỹ năng hỗ trợ chuẩn xác. Bên cạnh đó, mô hình hỗ trợ tới 60 ngôn ngữ khác nhau cùng tính năng tự động nhận diện ngôn ngữ liên tục, giúp game thủ đa quốc gia dễ dàng giao tiếp trong các phòng voice chat mà không gặp rào cản chuyển đổi cài đặt thủ công.
Người dùng và các lập trình viên hiện có thể trực tiếp trải nghiệm cơ chế tương tác này thông qua bản demo tương tác Chatter vừa được phát hành trên nền tảng thử nghiệm.
