डेस्क: टेक दिग्गज मायक्रोसॉफ्टने कृत्रिम बुद्धिमत्तेच्या जगात एक मोठे पाऊल उचलले आहे आणि तीन नवीन AI मॉडेल लॉन्च केले आहेत. या मॉडेल्समध्ये MAI-Transcribe-1, MAI-Voice-1 आणि MAI-Image-2 यांचा समावेश आहे. हे मॉडेल प्रतिमा तयार करणे, ध्वनी निर्माण करणे आणि भाषणाचे मजकुरात रूपांतर करणे यासारखी कामे अतिशय जलदपणे करू शकतात. कंपनीचा दावा आहे की हे मॉडेल्स Google आणि OpenAI सारख्या स्पर्धकांपेक्षा चांगली कामगिरी देतात. विशेष म्हणजे ते जलद आणि किफायतशीर वापरासाठी डिझाइन केले गेले आहेत.
मायक्रोसॉफ्टचे MAI-Transcribe-1 मॉडेल भाषणाला मजकुरात रूपांतरित करण्यासाठी डिझाइन केलेले आहे आणि कंपनीचा दावा आहे की ते 25 प्रमुख भाषांमध्ये अत्यंत अचूक परिणाम देते. मायक्रोसॉफ्टच्या अंतर्गत चाचणीनुसार, FLEURS बेंचमार्कवर जेमिनी 3.1 फ्लॅश आणि GPT ट्रान्स्क्राइब सारख्या मॉडेलपेक्षा यात कमी त्रुटी दर आहे. याचा अर्थ वापरकर्त्यांना अधिक अचूक आणि विश्वासार्ह प्रतिलेखन मिळेल. कंपनीने किंमत आणि कार्यक्षमतेच्या बाबतीत देखील त्याचे वर्णन केले आहे, ज्यामुळे ते विकसक आणि व्यवसायांसाठी एक आकर्षक पर्याय बनू शकते.
MAI-Voice-1 मॉडेलची रचना अशा प्रकारे करण्यात आली आहे की ते नैसर्गिक आणि वास्तववादी आवाज निर्माण करू शकतात. मायक्रोसॉफ्टच्या म्हणण्यानुसार यात भावना, अभिव्यक्ती आणि आवाजाची स्थिरता विशेषत: सुधारण्यात आली आहे. हे मॉडेल लाँग कंटेंटमध्येही तोच आवाज राखू शकते, जे पूर्वी मोठे आव्हान होते. खास गोष्ट म्हणजे वापरकर्ता फक्त काही सेकंदांचा ऑडिओ देऊन त्याचा कस्टम आवाज तयार करू शकतो. या तंत्रज्ञानाचा वापर Copilot Audio Expressions आणि Copilot Podcasts मध्ये देखील केला जाईल, ज्यामुळे सामग्री निर्मिती आणखी सुलभ आणि व्यावसायिक होईल.
MAI-Image-2 मॉडेल प्रतिमा निर्मितीला एका नवीन स्तरावर घेऊन जाते. मायक्रोसॉफ्टच्या मते, ते उत्तम प्रकाशयोजना, अचूक पोत आणि स्पष्ट मजकूरासह अधिक वास्तववादी प्रतिमा तयार करू शकते. हे मॉडेल फोटोग्राफर आणि डिझाइनर यांच्या सहकार्याने विकसित केले गेले आहे, जेणेकरून ते व्यावसायिक गरजा पूर्ण करू शकेल. WPP सारख्या मोठ्या कंपन्यांनीही त्याचा अवलंब करण्यास सुरुवात केली आहे. हे मॉडेल Copilot, Bing आणि PowerPoint सारख्या प्लॅटफॉर्मवर आणले जात आहे, जेणेकरून वापरकर्त्यांना त्यांच्या दैनंदिन कामात त्याचा थेट फायदा घेता येईल.
Comments are closed.