Microsoft telah memangkas harga transkripsi ucapan bertenaga AI sebesar 72 persen dengan peluncuran MAI-Transcribe-2, model baru dari unit AI Microsoft internal yang menurut perusahaan mengalahkan OpenAI, Google, dan ElevenLabs dalam hal akurasi dan kecepatan. Model ini, yang diluncurkan pada 3 September 2026, dihargai hanya $0,10 per jam audio hingga 31 Desember 2026 — penurunan tajam dari $0,36 per jam yang dikenakan Microsoft untuk model MAI-Transcribe-1.5 sebelumnya pada bulan Juni.
Langkah ini merupakan tanda paling jelas bahwa divisi Microsoft AI milik Mustafa Suleyman, yang dibangun berdasarkan tim yang direkrut Microsoft dari Inflection AI pada Maret 2024, bermaksud untuk bersaing langsung dengan mitra dan pesaing yang pernah diandalkannya. Bagi pengembang yang melacak perubahan ekonomi AI API yang cepat, AI Buzz Wire mencakup setiap peluncuran alat AI utama saat hal itu terjadi.
Angka-angka di Balik Pemotongan Harga
Menurut postingan peluncuran Microsoft dan cakupan benchmark dari VentureBeat, MAI-Transcribe-2 menempati peringkat pertama pada benchmark multibahasa FLEURS dalam 60 bahasa, dengan tingkat kesalahan kata rata-rata sebesar 5,2 persen. Pada papan peringkat non-streaming independen Analisis Buatan, model ini mencatat tingkat kesalahan kata sebesar 2,0 persen dan menempati peringkat kedua secara keseluruhan dalam hal akurasi, hanya di belakang pratinjau Fun-Realtime-ASR Alibaba.
Kecepatan adalah hal yang menurut Microsoft kesenjangannya benar-benar terbuka. Berdasarkan evaluasi Analisis Buatan, perusahaan mengatakan MAI-Transcribe-2 berjalan 10 kali lebih cepat dari GPT-Transcribe OpenAI, 7 kali lebih cepat dari Scribe v2 ElevenLabs, dan 5 kali lebih cepat dari Gemini 3.5 Transcribe dari Google. Analisis Buatan saat ini mencantumkan model dengan faktor kecepatan median 410,7, yang berarti satu jam audio dapat ditranskrip kembali dalam waktu sekitar sembilan hingga sepuluh detik.
Apa yang Dapat Dilakukan Model
Selain kecepatan dan harga, daftar fitur ditujukan untuk beban kerja produksi, bukan demo. Tersedia melalui Microsoft Foundry, MAI Playground, dan OpenRouter, MAI-Transcribe-2 mendukung identifikasi bahasa otomatis, peralihan kode antar bahasa di tengah kalimat, diarisasi pembicara, stempel waktu tingkat kata, bias kata kunci, dan gaya transkrip yang dapat dikonfigurasi.
Fitur-fitur tersebut menentukan apakah transkrip benar-benar dapat digunakan dalam lingkungan di mana transkripsi menghasilkan uang: pusat panggilan yang menyampaikan keluhan pelanggan, klinik yang mendokumentasikan kunjungan, ruang redaksi yang memproses wawancara, dan ruang pertemuan tempat banyak orang berbicara satu sama lain. Bias kata kunci khususnya memungkinkan pengembang mengajarkan kosakata khusus domain model — nama obat, SKU produk, istilah hukum — tanpa melatih ulang apa pun.
Strategi yang Disengaja Dari Toko Suleyman
MAI-Transcribe-2 adalah model transkripsi kedua Microsoft AI dalam tiga bulan. MAI-Transcribe-1 diluncurkan dengan biaya $0,36 per jam, dan MAI-Transcribe-1,5 menyusul pada bulan Juni dengan dukungan untuk 43 bahasa dan peringkat ketiga dalam Analisis Buatan. Model baru ini memperluas cakupan hingga 60 bahasa sekaligus menurunkan harga lebih dari dua pertiganya.
Unit ini sebelumnya telah mengirimkan MAI-1 untuk teks dan MAI-Voice-1 untuk pembuatan ucapan, bersama dengan model keamanan siber dan gambar terbaru. Hal yang jelas tidak ada dalam peluncuran ini adalah penyebutan Copilot atau OpenAI – mengingat investasi Microsoft yang bernilai miliaran dolar pada OpenAI dan sejarahnya dalam mengarahkan fitur-fitur AI melalui kemitraan tersebut. Sebaliknya, Microsoft menjual model bermerek Microsoft yang bersaing langsung dengan produk transkripsi OpenAI sendiri.
Perang Harga dalam Speech AI
Pasar transkripsi diam-diam telah menjadi salah satu sudut paling kompetitif dari AI yang diterapkan, dan tekanan harga sangat nyata: Microsoft mencatat bahwa tarif promosi $0,10 akan berakhir pada tanggal 31 Desember 2026, yang berfungsi sebagai insentif pelanggan dan peringatan bagi pesaing tentang arah harga.
Untuk startup di bidang ini, perhitungannya sangat brutal. Jika hyperscaler dapat memberikan akurasi tingkat atas dengan sepersepuluh dolar per jam audio sambil memutar satu jam audio dalam hitungan detik, vendor transkripsi yang didukung ventura harus menemukan nilai dalam spesialisasi vertikal, integrasi alur kerja, atau jaminan privasi — atau dikeluarkan dari pasar sepenuhnya.
Sementara itu, bagi pembeli, pesan yang disampaikan kini lebih sederhana dibandingkan sebelumnya: pengenalan suara yang canggih kini berharga kurang dari satu sen per jam, dan harganya semakin murah.
Tetap Terdepan dalam AI
Alat AI baru diluncurkan setiap minggu, dan pemenang serta pecundang berubah dengan cepat. Ikuti AI Buzz Wire untuk liputan independen pasar alat AI.
Baca berita AI terkini →
