مايكروسوفت تطلق MAI‑Transcribe‑2‑Streaming للتعرف على الكلام في الوقت الفعلي بـ60 لغة بسعر 0.54 دولار للساعة

في 1 أكتوبر 2026 أعلنت Microsoft AI أن خدمة MAI‑Transcribe‑2‑Streaming دخلت مرحلة المعاينة العامة. تُصنّف الخدمة كمحرك سحابي للتعرف على الكلام إلى نص في الوقت الفعلي يمكنه معالجة تدفقات صوتية بـ60 لغة، وتقديم كل من النصوص الجزئية والنهائية مع تقدم الصوت. تسوّق مايكروسوفت الخدمة كخيار منخفض التكلفة للمطورين الذين يحتاجون إلى ترجمات فورية، خطوط أنابيب ترجمة مباشرة أو تحليلات مدفوعة بالصوت. بمعنى آخر، يحصل المطورون على حل اقتصادي قادر على إنتاج ترجمات فورية، ترجمة متعددة اللغات في الوقت الحقيقي، وتحليل صوتي أثناء تحدث المتحدث.

قدرات النسخ في الوقت الفعلي

يختلف النسخ المتدفق عن المعالجة الدفعية في أن النموذج يُصدر فرضيات بينما المتحدث لا يزال يتحدث. تدعي MAI‑Transcribe‑2‑Streaming أنها تنتج فرضية أولية تقريبًا بعد مئة مللي ثانية من وصول عينة الصوت، تليها نتائج جزئية محسّنة ونص نهائي غني بالعلامات الترقيمية. يقوم النظام أيضًا باكتشاف اللغة بشكل مستمر، حيث يبدّل نماذج الصوت واللغة تلقائيًا عند اكتشاف تغيير بين اللغات الستين المدعومتين، مما يلغي الحاجة إلى خطوة اختيار لغة منفصلة. هذا يعني أن الخدمة نفسها تحدد اللغة المتحدثة وتنتقل فورًا دون تدخل يدوي.

يمكن للمطورين الوصول إلى الخدمة عبر Microsoft Foundry، الذي يوفّر واجهة برمجة تطبيقات Realtime تُحاكي نمط WebSocket المستخدم في نقاط النهاية المتدفقة لـOpenAI. تتوفر نفس الوظيفة أيضًا عبر Azure Speech SDK، مما يسمح بدمجها في تطبيقات Windows، Linux، الهواتف المحمولة والويب مع تغييرات شفرة قليلة. تؤكد وثائق مايكروسوفت أن الواجهة تقبل إطارات صوتية خام وتعيد أجزاء نصية مشفّرة بصيغة JSON، ما يجعلها متوافقة مع خطوط الأنابيب الفورية الحالية. بعبارة أخرى، صُممت الواجهة لتسهيل الربط مع الأنظمة القائمة التي تتعامل مع تدفقات صوتية.

أداء الاختبار والدقة

وضعت منصة Artificial Analysis المستقلة، وهي منصة اختبار معيارية، خدمة MAI‑Transcribe‑2‑Streaming في صدارة لوحة المتصدرين لمعدل الخطأ في الكلمات (WER) للنسخ المتدفق، حيث تم مقارنة ثمانية وثلاثين نموذجًا على مزيج اختبار موحد مدته ثماني ساعات. وفقًا لهذا الاختبار، حقق النموذج معدل خطأ 2.5 % للنصوص النهائية مع متوسط زمن استجابة 0.13 ثانية، وكذلك نفس معدل الخطأ 2.5 % للنتائج الجزئية الأولى التي تم تسليمها في 0.12 ثانية. أفادت MarkTechPost بهذه الأرقام، مشيرةً إلى أن مزيج الاختبار شمل مجموعة متنوعة من المتحدثين، اللهجات والضوضاء الخلفية. تُظهر هذه النتائج أن الخدمة سريعة ودقيقة حتى في ظروف صوتية متنوعة.

تعتمد أرقام المعيار على قياسات مايكروسوفت نفسها، وتُحذّر الشركة من أن ادعاءات السرعة خارج اختبار Artificial Analysis يجب اعتبارها تقديرات داخلية. لا تشمل المعاينة العامة اتفاقية مستوى خدمة (SLA) من الدرجة الإنتاجية، ما يعني أن المؤسسات التي تخطط لنشرات حرجة تحتاج إلى تقييم موثوقية الخدمة وزمن الاستجابة تحت أحمال عملها الخاصة قبل الانتقال إلى مستوى مدفوع. بعبارة أخرى، يجب على الشركات اختبار الأداء وفقًا لمتطلباتها قبل الاعتماد على اتفاقية خدمة رسمية.

التسعير، النماذج المرتبطة وحدود المعاينة

خلال فترة المعاينة، حددت مايكروسوفت سعرًا تمهيديًا قدره خمسون وستة سنتات للساعة من الصوت المعالج، وهو سعر سيستمر حتى نهاية عام 2026. لا توفر المعاينة SLA رسميًا، ولا يُضمن الاستخدام فوق الأرقام المرجعية المعلنة. إلى جانب خدمة النسخ، أطلقت مايكروسوفت أيضًا MAI‑Voice‑2.1 وVoice‑2.1‑Flash، حيث يُعلن عن الأخير كقادر على توليد صوت اصطناعي لمدة خمسة وأربعين ثانية بوقت استجابة نهائي يقارب 150 مللي ثانية بتكلفة خمسة عشر دولارًا لكل مليون حرف.

يُقصد بنموذج Flash سيناريوهات توليد الصوت ذات الكمون المنخفض مثل المساعدين التفاعليين أو الدبلجة الفورية، وهو يكمل محرك النسخ المتدفق من خلال توفير مسار إخراج صوتي سريع وعالي الجودة. تشترك النماذج الاثنين في نفس واجهة التكامل عبر Microsoft Foundry، مما يتيح للمطورين ربط النسخ والتوليد الصوتي في جلسة WebSocket واحدة إذا رغبوا. هذا يتيح إنشاء تدفق عمل كامل من الصوت إلى النص ثم إلى الصوت مرة أخرى في اتصال مستمر.

• يدعم 60 لغة مع اكتشاف تلقائي
• توليد الفرضية الأولية في ~100 مللي ثانية بعد استلام الصوت
• معدل خطأ 2.5 % وفقًا للمعيار عند زمن استجابة 0.13 ثانية للنص النهائي
• سعر تمهيدي قدره $0.54 لكل ساعة صوت (فترة المعاينة)
• الوصول عبر Microsoft Foundry Realtime API وAzure Speech SDK

إن الجمع بين الكمون المنخفض، التغطية المتعددة اللغات، ونموذج التسعير الشفاف يفتح آفاقًا جديدة للمطورين الذين يبنون حلولًا للترجمة الفورية، تحليل مراكز الاتصال متعدد اللغات أو خدمات الترجمة في الوقت الحقيقي. نظرًا لأن الخدمة تبث النتائج الجزئية، يمكن للتطبيقات بدء معالجة النص قبل انتهاء المتحدث، مما يقلل من زمن الاستجابة الكلي للمكونات الذكائية اللاحقة مثل تحليل المشاعر أو اكتشاف النوايا. كما أن هيكل التكلفة المتواضع يخفض الحواجز أمام الشركات الناشئة والفرق البحثية التي كانت تتجنب خدمات النسخ السحابية بسبب الرسوم العالية لكل دقيقة.

بالنسبة للمنظمات التي تعمل في الأسواق الناطقة بالإنجليزية، تعني المعاينة أن واجهات الكلام في الوقت الفعلي يمكن الآن نشرها بتكلفة أقل بكثير من عروض Azure Speech السابقة، مع الحفاظ على تغطية واسعة لمجموعة من اللغات للفرق العالمية. يمكن للشركات تجربة الترجمة الفورية للندوات عبر الإنترنت، دمج ترجمات فورية في منصات الفيديو، أو تعزيز دعم العملاء المدفوع بالصوت بنسخ فورية أثناء الحديث، كل ذلك دون الالتزام باتفاقية خدمة إنتاجية حتى تنتقل الخدمة من مرحلة المعاينة إلى الإطلاق الرسمي.