In questo articolo Indice dei contenuti 2 sezioni
Microsoft alza il livello nella corsa alla trascrizione vocale con MAI Transcribe 2 Streaming, il nuovo sistema basato sull’intelligenza artificiale capace di produrre una prima versione del testo poco più di 100 millisecondi dopo aver ricevuto l’audio. Si tratta di un risultato che spicca anche nel confronto con le tecnologie della concorrenza, OpenAI compresa, e che punta dritto al tema più delicato di tutto il settore, cioè la velocità.
Trasformare una conversazione in testo scritto, ormai, non è più un’impresa particolarmente complicata. La trascrizione automatica ha raggiunto un livello di maturità tale da essere diventata quasi scontata per molti utenti. La vera differenza oggi la fa il tempo di risposta, soprattutto quando un discorso deve essere compreso mentre sta ancora avvenendo. Basta pensare a quelle piccole pause, a quei ritardi quasi impercettibili che però rendono innaturale il dialogo con un assistente vocale. È proprio lì che esistono ancora margini di miglioramento, e le grandi aziende tecnologiche come Microsoft stanno lavorando per ridurli il più possibile.
Una prima bozza in poco più di 100 millisecondi
Il funzionamento di MAI Transcribe 2 Streaming parte da un’idea piuttosto chiara. Il sistema non aspetta di avere in mano l’intero audio per restituire qualcosa di definitivo, ma genera subito una bozza del testo e poi la corregge di continuo man mano che arrivano nuove parole. In pratica la trascrizione prende forma quasi in contemporanea con la voce di chi parla, e viene rifinita passo dopo passo senza interrompere il flusso.
Questo approccio cambia parecchio la percezione dell’utente. Un tempo di reazione di poco superiore ai 100 millisecondi significa che il testo compare praticamente in tempo reale, e l’aggiornamento costante permette di sistemare eventuali imprecisioni iniziali senza che la conversazione ne risenta. Per un assistente vocale che deve dare l’impressione di ascoltare davvero, è un dettaglio tutt’altro che secondario. Il modello di Microsoft si inserisce così in una sfida dove ogni frazione di secondo conta e dove la naturalezza del dialogo è diventata il vero metro di giudizio.
60 lingue e un’intelligenza agentica che non aspetta la fine della frase
Accanto alla rapidità c’è la versatilità. Il nuovo sistema supporta 60 lingue e riesce a riconoscere in automatico il momento in cui l’utente passa da un idioma all’altro, senza bisogno di impostazioni manuali. Una caratteristica utile per chi si muove spesso tra più lingue nello stesso discorso, magari alternando italiano e inglese durante una chiamata di lavoro o una conversazione informale.
Il passaggio forse più interessante riguarda però il ruolo dell’intelligenza agentica, che ormai interviene anche in questo ambito. Grazie a questa impostazione il sistema non deve per forza attendere che una frase sia conclusa. Può cominciare a interpretarla mentre è ancora in corso, preparare una risposta e perfino richiamare altri strumenti mentre l’utente sta ancora parlando. Un cambio di passo notevole rispetto al classico schema in cui l’assistente ascolta, aspetta il silenzio e solo dopo elabora. Con MAI Transcribe 2 Streaming, insomma, Microsoft punta a rendere la trascrizione non più un semplice passaggio tecnico ma la base per interazioni vocali più fluide e immediate, con un sistema che lavora già sulla risposta mentre la frase dell’utente è ancora a metà.
Fonte: TecnoAndroid
