Команда Microsoft AI представила нову модель для розпізнавання мовлення MAI-Transcribe-2. Стверджується, що вона перевершує аналогічні рішення від OpenAI, Google та ElevenLabs за трьома параметрами — швидкістю, точністю та ціною. Розшифровка години аудіозапису коштуватиме лише 10 центів.
У 3,6 раза дешевше за попередницю
Ціна — головна сенсація релізу. Минуло п’ять місяців відтоді, як Microsoft AI випустила першу модель цієї лінійки, і тоді година аудіо коштувала $0,36. Тепер нова стартова ціна нижча приблизно на 72%. Для компанії, яка обробляє, наприклад, 100 тисяч годин записів кол-центру на рік (типовий обсяг для великого банку чи телеком-оператора), це означає економію з $36 тисяч до $10 тисяч.
У Microsoft уточнюють, що це початкова ціна, і чи зміниться вона згодом — поки невідомо.
60 мов замість 43
MAI-Transcribe-2 підтримує розшифровку мовлення 60 мовами, включно з українською та російською. Для порівняння: у червневій MAI-Transcribe-1.5 їх було 43, а у першій версії, що вийшла в квітні, — лише 25. Модель доступна на платформі Microsoft Foundry для розробників і в MAI Playground для тестування.
За даними Venture Beat, реліз демонструє стратегію, яка ще два роки тому здавалася малоймовірною: Microsoft поступово будує власні флагманські моделі окремо для кожної модальності — тексту, голосу, зображень — і послідовно замінює ними рішення OpenAI у власних продуктах. Розшифровка мовлення — напрямок, де цей план просунувся найдалі, і MAI-Transcribe-2 став його найяскравішим доказом. Це також показує, як найдорожча софтверна компанія світу планує конкурувати в ШІ, не залежачи від партнера, у якого вклала $13 млрд.
Розрахунок на «брудне» аудіо
Компанія оптимізувала модель під ту якість запису, яку реально доводиться обробляти бізнесу — з фоновим шумом, поганою якістю мікрофона та накладанням реплік учасників розмови, а не під ідеальні студійні умови.
Серед функцій:
- розмітка мовців (diarization) — хто саме що сказав у розмові кількох людей;
- часові мітки на рівні слів — для пошуку по тексту, монтажу та синхронізації з відео;
- підказка ключових слів — можна заздалегідь передати список медичних препаратів, кодів товарів чи власних імен, щоб модель не спотворювала їх;
- два формати виводу — дослівний (зі словами-паразитами) та очищений;
- підтримка швидкого перемикання між мовами навіть усередині однієї фрази.
Результати в рейтингах
У бенчмарку FLEURS, що охоплює 60 мов, MAI-Transcribe-2 показала середній рівень помилок розпізнавання слів 5,2% і посіла перше місце серед конкурентів. У червневої MAI-Transcribe-1.5 цей показник був кращим — 3,7%, але це радше пояснюється розширенням охоплення з 43 до 60 мов, ніж реальним падінням якості.
У незалежному рейтингу Artificial Analysis нова модель піднялася з третього на друге місце порівняно з червневою версією, обійшовши ElevenLabs Scribe v2 і поступившись лише Alibaba Fun-Realtime-ASR-preview.
Швидкість: у 10 разів швидше за GPT-Transcribe
За заявою Microsoft, MAI-Transcribe-2 працює у 10 разів швидше за OpenAI GPT-Transcribe, у 7 разів швидше за ElevenLabs Scribe v2 і у 5 разів швидше за Google Gemini 3.5 Transcribe. Гендиректор Microsoft AI Мустафа Сулейман описав реліз лаконічно: «Найшвидша. Найдешевша. Найкраща».
Нагадаємо, не так давно ми писали про те, що IT-компаніям потрібні аудіозаписи ваших розмов з незнайомцями: платять погодинно.