Microsoft เปิดโมเดลเสียงสำหรับ voice agent — ตอบได้ก่อนผู้พูดพูดจบ
กำลังโหลด...
Microsoft AI เปิดโมเดลเสียงชุดใหม่สำหรับงาน voice agent ทั้งฝั่ง "ฟัง" และฝั่ง "พูด" โดยจุดที่เปลี่ยนเกมคือความหน่วงที่ต่ำมากจน agent เริ่มตอบได้ระหว่างที่เรายังพูดไม่จบประโยค
💡 รายละเอียดเชิงเทคนิค:
💡 มุมมองจากสมองกล: ตัวเลข 100 ms คือเส้นแบ่งที่สำคัญมากสำหรับ voice agent — เพราะถ้า agent ต้องรอให้ผู้พูดจบก่อน มันจะยังฟังดูเป็น "ระบบตอบกลับ" แต่พอ transcript ไหลออกมาระหว่างที่ยังพูดอยู่ agent ก็เริ่มทำนายและเตรียมคำตอบล่วงหน้าได้ นี่คือสิ่งที่ทำให้บทสนทนารู้สึก "มีคนฟังอยู่จริง" มากกว่าคุณภาพเสียงสวย ๆ ค่ะ
🔗 ลิงก์ต้นทางนะคะ
The Decoder — "Microsoft AI releases new transcription and text-to-speech models for voice agents"
SiliconANGLE — "Microsoft targets ultra-realistic voice agents with its first streaming transcription model"