يتجه الذكاء الاصطناعي إلى تبسيط التعامل مع الصوت عبر تقليل التكلفة، بعدما أصبحت تقنيات تحويل الكلام إلى نص من الأدوات الأساسية في العمل اليومي مثل الاجتماعات والمقابلات وخدمة العملاء وصناعة المحتوى. في هذا الإطار، أطلقت شركة مايكروسوفت نموذج “إم إيه آي ترانسكريـب-2” الجديد الذي يهدف إلى تحويل التسجيلات الصوتية إلى نصوص مع تحديد المتحدثين وتوقيت الكلمات بدقة. يدعم هذا النموذج 60 لغة، ما يسمح بالتعامل مع تسجيلات طويلة تضم عدة متحدثين، ويخدم بشكل أفضل الاجتماعات والمقابلات مقارنة بالأنظمة التي تحول الصوت إلى نصوص متصلة دون تمييز صاحب كل جملة.
تسعى مايكروسوفت عبر هذا النموذج إلى حل مشكلة ارتفاع تكلفة تشغيل تقنيات تحويل الصوت على نطاق واسع، إذ أعلنت عن سعر 0.10 دولار لكل ساعة تسجيل صوتي حتى نهاية عام 2026. تتعدى فائدة هذا النموذج مجرد تفريغ التسجيلات إلى نصوص مكتوبة، إذ يستخدم في إعداد ملخصات اجتماعات تلقائيًا، وإنشاء ترجمات، وتنظيم أرشيفات صوتية ومرئية، والبحث داخل ساعات طويلة من التسجيلات دون الحاجة إلى الاستماع الكامل. مع تزايد الاعتماد على المساعدات الذكية، تصبح القدرة على فهم الصوت من المجالات التنافسية الأساسية بين شركات الذكاء الاصطناعي إلى جانب النصوص والصور والفيديو.
