مایکروسافت قیمت رونویسی گفتار مبتنی بر هوش مصنوعی را با راه اندازی MAI-Transcribe-2، یک مدل جدید از واحد هوش مصنوعی داخلی خود مایکروسافت که به گفته این شرکت از نظر دقت و سرعت از OpenAI، گوگل و ElevenLabs پیشی می‌گیرد، 72 درصد کاهش داده است. این مدل که در 3 سپتامبر 2026 راه اندازی شد، تا 31 دسامبر 2026 فقط 0.10 دلار در هر ساعت صوتی قیمت دارد - کاهش شدیدی نسبت به 0.36 دلار در ساعتی که مایکروسافت برای مدل قبلی MAI-Transcribe-1.5 خود در ژوئن دریافت کرد.

این حرکت واضح‌ترین نشانه‌ای است که نشان می‌دهد بخش هوش مصنوعی مایکروسافت مصطفی سلیمان، که حول تیمی که مایکروسافت از هوش مصنوعی Inflection در مارس 2024 استخدام کرد، ساخته شده است، قصد دارد مستقیماً با شرکا و رقیبی که زمانی به آنها اعتماد داشت، رقابت کند. برای توسعه‌دهندگانی که تغییرات سریع اقتصادی APIهای هوش مصنوعی را دنبال می‌کنند، AI Buzz Wire هر راه‌اندازی ابزارهای اصلی هوش مصنوعی را در صورت وقوع پوشش می‌دهد.

برای آخرین اخبار هوش مصنوعی، AI Buzz Wire را دنبال کنید.

اعداد پشت کاهش قیمت

بر اساس پست راه اندازی مایکروسافت و پوشش معیار VentureBeat، MAI-Transcribe-2 در رتبه اول معیار چندزبانه FLEURS در بین 60 زبان با میانگین ضریب خطای کلمه 5.2 درصد قرار دارد. در تابلوی امتیازات مستقل غیر جریانی تحلیل مصنوعی، این مدل دارای نرخ خطای کلمه 2.0 درصد است و در مجموع از نظر دقت در رتبه دوم قرار می‌گیرد، تنها پس از پیش‌نمایش Fun-Realtime-ASR Alibaba.

سرعت جایی است که مایکروسافت ادعا می کند شکاف واقعاً باز می شود. بر اساس ارزیابی‌های تحلیل مصنوعی، این شرکت می‌گوید که MAI-Transcribe-2 10 برابر سریع‌تر از GPT-Transcribe OpenAI، 7 برابر سریع‌تر از ElevenLabs Scribe v2 و 5 برابر سریع‌تر از Gemini 3.5 Transcribe گوگل اجرا می‌شود. تجزیه و تحلیل مصنوعی در حال حاضر مدل را با ضریب سرعت متوسط ​​410.7 فهرست می کند، به این معنی که یک ساعت صدا می تواند در حدود 9 تا 10 ثانیه رونویسی شود.

آنچه مدل می تواند انجام دهد

فراتر از سرعت و قیمت خام، لیست ویژگی ها به جای نمایشی، حجم کاری تولید را هدف قرار داده است. MAI-Transcribe-2 که از طریق Microsoft Foundry، MAI Playground، و OpenRouter در دسترس است، از شناسایی خودکار زبان، تعویض کد بین زبان ها در میان جمله، دیاریزاسیون گوینده، مهرهای زمانی در سطح کلمه، سوگیری کلمه کلیدی و سبک های رونوشت قابل تنظیم پشتیبانی می کند.

این ویژگی‌ها تعیین می‌کنند که آیا رونوشت واقعاً در تنظیماتی که رونویسی درآمد کسب می‌کند قابل استفاده است یا خیر: مراکز تماسی که شکایات مشتریان را هدایت می‌کنند، کلینیک‌هایی که بازدیدها را مستند می‌کنند، اتاق‌های خبر مصاحبه‌ها را پردازش می‌کنند و اتاق‌های جلسه که در آن چند نفر با یکدیگر صحبت می‌کنند. سوگیری کلمات کلیدی به طور خاص به توسعه دهندگان امکان می دهد واژگان خاص دامنه مدل - نام داروها، SKUهای محصول، اصطلاحات قانونی - را بدون آموزش مجدد چیزی آموزش دهند.

استراتژی عمدی از فروشگاه سلیمان

MAI-Transcribe-2 دومین مدل رونویسی هوش مصنوعی مایکروسافت در سه ماه گذشته است. MAI-Transcribe-1 با قیمت 0.36 دلار در ساعت راه اندازی شد و MAI-Transcribe-1.5 در ماه ژوئن با پشتیبانی از 43 زبان و رتبه سوم در تجزیه و تحلیل مصنوعی دنبال شد. مدل جدید پوشش خود را به 60 زبان گسترش می دهد در حالی که قیمت آن را بیش از دو سوم کاهش می دهد.

این واحد قبلاً MAI-1 را برای متن و MAI-Voice-1 را برای تولید گفتار به همراه مدل‌های اخیر امنیت سایبری و تصویر ارسال کرده است. چیزی که به وضوح در این راه‌اندازی وجود ندارد، اشاره‌ای به Copilot یا OpenAI است - با توجه به سرمایه‌گذاری چند میلیارد دلاری مایکروسافت در OpenAI و تاریخچه مسیریابی ویژگی‌های هوش مصنوعی از طریق این مشارکت، قابل توجه است. در عوض، مایکروسافت مدلی با مارک مایکروسافت می فروشد که با محصول رونویسی OpenAI خود رقابت می کند.

جنگ قیمت در گفتار هوش مصنوعی

بازار رونویسی بی سر و صدا به یکی از رقابتی ترین گوشه های هوش مصنوعی کاربردی تبدیل شده است و فشار قیمت گذاری واقعی است: مایکروسافت خاطرنشان می کند که نرخ تبلیغاتی 0.10 دلاری در 31 دسامبر 2026 منقضی می شود که هم به عنوان مشوق مشتری و هم به عنوان هشداری برای رقبا در مورد اینکه قیمت ها به کجا می رسد عمل می کند.

برای استارت‌آپ‌ها در فضا، ریاضیات بی‌رحمانه است. اگر یک hyperscaler بتواند دقت بالاتری را با یک دهم دلار در هر ساعت صوتی ارائه دهد در حالی که یک ساعت صدا را در چند ثانیه می چرخاند، فروشندگان رونویسی با پشتوانه سرمایه گذاری باید ارزشی را در تخصص عمودی، یکپارچگی گردش کار، یا تضمین های حریم خصوصی بیابند - یا به طور کامل از بازار خارج شوند.

در همین حال، برای خریداران، پیام ساده‌تر از سال‌های گذشته است: تشخیص گفتار پیشرفته اکنون کمتر از یک سکه در ساعت هزینه دارد و فقط ارزان‌تر می‌شود.

از هوش مصنوعی جلوتر بمانید

ابزارهای جدید هوش مصنوعی هر هفته راه اندازی می شوند و برندگان و بازندگان به سرعت تغییر می کنند. برای پوشش مستقل بازار ابزارهای هوش مصنوعی، [AI Buzz Wire را دنبال کنید] (https://aibuzzwire.news).

آخرین اخبار هوش مصنوعی را بخوانید →