100 millisecondi per capire: Microsoft mette alla prova OpenAI

La vera novità non riguarda soltanto la trascrizione, ma ciò che il sistema può fare mentre l’interlocutore sta ancora parlando. L’intelligenza artificiale può infatti cominciare a interpretare il contenuto, predisporre una risposta e attivare altri strumenti senza attendere la conclusione della frase.

Un assistente che non aspetta

Questa modalità rende l’interazione più simile a una conversazione naturale, perché riduce la necessità di aspettare che l’utente abbia terminato ogni periodo. Il sistema può lavorare in anticipo sul significato delle parole già ascoltate e preparare le operazioni successive.

Il comportamento si inserisce nella crescente evoluzione dell’intelligenza artificiale verso funzioni più autonome. In questo caso, l’elaborazione dell’audio non rimane un’azione isolata: può diventare il punto di partenza per una risposta o per il ricorso ad altri strumenti.

La velocità diventa decisiva

A rendere particolarmente interessante MAI-Transcribe-2-Streaming è il tempo necessario per ottenere il primo risultato. Microsoft sostiene che il modello inizi a generare una bozza del testo poco oltre 100 millisecondi dalla ricezione dell’audio.

Quella prima versione non resta immutabile: il sistema la aggiorna e la corregge progressivamente quando arrivano nuove porzioni della conversazione. L’obiettivo è quindi combinare rapidità iniziale e maggiore precisione durante lo svolgimento del dialogo.

Sessanta lingue, anche insieme

Il modello può operare in 60 lingue, un’estensione che ne amplia l’impiego in contesti diversi. Non si limita inoltre a lavorare su un solo idioma per volta: individua automaticamente il passaggio da una lingua all’altra nel corso dello scambio.

Questa capacità punta a rendere più fluide le conversazioni multilingue, senza richiedere all’utente di interrompere il dialogo o di indicare manualmente ogni cambio. Con MAI-Transcribe-2-Streaming, Microsoft porta così la sfida a OpenAI anche sul terreno della trascrizione istantanea e delle interazioni vocali.