मायक्रोसॉफ्टने MAI-Transcribe-2 लाँच करून AI-चालित स्पीच ट्रान्सक्रिप्शनच्या किमतीत 72 टक्क्यांनी कपात केली आहे, हे त्यांच्या इन-हाउस Microsoft AI युनिटचे एक नवीन मॉडेल आहे जे कंपनी म्हणते की अचूकता आणि वेग या दोन्ही बाबतीत OpenAI, Google आणि ElevenLabs ला मागे टाकते. 3 सप्टेंबर 2026 रोजी लॉन्च करण्यात आलेल्या मॉडेलची किंमत 31 डिसेंबर 2026 पर्यंत प्रति ऑडिओ तास फक्त $0.10 इतकी आहे - मायक्रोसॉफ्टने जूनमध्ये त्याच्या मागील MAI-Transcribe-1.5 मॉडेलसाठी आकारलेल्या $0.36 प्रति तासापेक्षा खूपच कमी आहे.

मार्च 2024 मध्ये Microsoft ने Inflection AI कडून भाड्याने घेतलेल्या संघाभोवती बांधलेला मुस्तफा सुलेमनचा Microsoft AI विभाग, ज्या भागीदारांवर आणि प्रतिस्पर्ध्यावर अवलंबून होता त्यांच्याशी थेट स्पर्धा करण्याचा इरादा आहे, हे अद्याप स्पष्ट चिन्ह आहे. AI APIs च्या जलद-बदलत्या अर्थशास्त्राचा मागोवा घेणाऱ्या विकासकांसाठी, AI Buzz Wire प्रत्येक प्रमुख AI टूल्स लाँच होत असताना कव्हर करते.

किमतीतील कपातीमागील संख्या

Microsoft च्या लाँच पोस्ट आणि VentureBeat च्या बेंचमार्क कव्हरेजनुसार, MAI-Transcribe-2 FLEURS बहुभाषिक बेंचमार्कवर 60 भाषांमध्ये प्रथम क्रमांकावर आहे, सरासरी शब्द त्रुटी दर 5.2 टक्के आहे. आर्टिफिशियल ॲनालिसिसच्या स्वतंत्र नॉन-स्ट्रीमिंग लीडरबोर्डवर, मॉडेल 2.0 टक्के शब्द त्रुटी दर पोस्ट करते आणि अचूकतेसाठी फक्त अलीबाबाच्या फन-रिअलटाइम-एएसआर-पूर्वावलोकनाच्या मागे, दुसऱ्या क्रमांकावर आहे.

स्पीड असा आहे जिथे मायक्रोसॉफ्टचा दावा आहे की अंतर खरोखरच उघडते. कृत्रिम विश्लेषण मूल्यमापनांच्या आधारे, कंपनी म्हणते की MAI-Transcribe-2 OpenAI च्या GPT-Transcribe पेक्षा 10 पट वेगाने, ElevenLabs च्या Scribe v2 पेक्षा 7 पट वेगाने आणि Google च्या जेमिनी 3.5 ट्रान्स्क्राइब पेक्षा 5 पट वेगाने चालते. कृत्रिम विश्लेषण सध्या 410.7 च्या मध्यम गती घटकासह मॉडेलची यादी करते, याचा अर्थ एक तासाचा ऑडिओ अंदाजे नऊ ते दहा सेकंदात लिप्यंतरण करून परत येऊ शकतो.

मॉडेल काय करू शकते

कच्चा वेग आणि किमतीच्या पलीकडे, वैशिष्ट्यांची यादी डेमोऐवजी उत्पादन वर्कलोड्ससाठी आहे. Microsoft Foundry, MAI Playground आणि OpenRouter द्वारे उपलब्ध, MAI-Transcribe-2 स्वयंचलित भाषा ओळख, वाक्याच्या मध्यभागी भाषांमधील कोड-स्विचिंग, स्पीकर डायराइझेशन, शब्द-स्तरीय टाइमस्टॅम्प, कीवर्ड बायसिंग आणि कॉन्फिगर करण्यायोग्य ट्रान्सस्क्रिप्ट शैलींना समर्थन देते.

ज्या सेटिंग्जमध्ये ट्रान्सक्रिप्शन पैसे कमवते त्या सेटिंग्जमध्ये ट्रान्सक्रिप्ट प्रत्यक्षात वापरण्यायोग्य आहे की नाही हे ही वैशिष्ट्ये ठरवतात: कॉल सेंटर्स ग्राहकांच्या तक्रारी राऊटिंग, दस्तऐवजीकरण भेटी, न्यूजरूम प्रक्रिया मुलाखती आणि मीटिंग रूम जेथे अनेक लोक एकमेकांशी बोलतात. विशेषत: कीवर्ड बायसिंग विकासकांना मॉडेल डोमेन-विशिष्ट शब्दसंग्रह — औषधांची नावे, उत्पादन SKU, कायदेशीर अटी — काहीही पुन्हा प्रशिक्षण न देता शिकवू देते.

सुलेमानच्या दुकानातून एक मुद्दाम रणनीती

MAI-Transcribe-2 हे Microsoft AI चे तीन महिन्यांतील दुसरे ट्रान्सक्रिप्शन मॉडेल आहे. MAI-Transcribe-1 $0.36 प्रति तास या दराने लाँच झाले आणि MAI-Transcribe-1.5 त्यानंतर जूनमध्ये 43 भाषांसाठी समर्थन आणि कृत्रिम विश्लेषणावर तिसरे स्थान मिळाले. नवीन मॉडेल 60 भाषांमध्ये कव्हरेज वाढवते आणि किंमत दोन तृतीयांशपेक्षा कमी करते.

अलीकडील सायबरसुरक्षा आणि प्रतिमा मॉडेल्ससह, युनिटने पूर्वी मजकूरासाठी MAI-1 आणि भाषण निर्मितीसाठी MAI-Voice-1 पाठवले आहे. प्रक्षेपणातून स्पष्टपणे अनुपस्थित असलेली गोष्ट म्हणजे कोपायलट किंवा ओपनएआयचा उल्लेख आहे — मायक्रोसॉफ्टची OpenAI मधील अब्जावधी-डॉलरची गुंतवणूक आणि त्या भागीदारीद्वारे AI वैशिष्ट्ये रूट करण्याचा इतिहास लक्षात घेता. त्याऐवजी, मायक्रोसॉफ्ट एक मायक्रोसॉफ्ट-ब्रँडेड मॉडेल विकत आहे जे ओपनएआयच्या स्वतःच्या ट्रान्सक्रिप्शन उत्पादनाशी हेड-टू-हेड स्पर्धा करते.

A Price War in Speech AI

ट्रान्सक्रिप्शन मार्केट शांतपणे लागू केलेल्या AI च्या सर्वात स्पर्धात्मक कोपऱ्यांपैकी एक बनले आहे आणि किंमतींचा दबाव वास्तविक आहे: Microsoft ने नोंदवले आहे की $0.10 प्रमोशनल रेट 31 डिसेंबर 2026 रोजी कालबाह्य होत आहे, जे ग्राहक प्रोत्साहन आणि किमती कुठे आहेत याबद्दल प्रतिस्पर्ध्यांना चेतावणी म्हणून कार्य करते.

अंतराळातील स्टार्टअपसाठी, गणित क्रूर आहे. जर हायपरस्केलर प्रति ऑडिओ तासाच्या दहाव्या भागाने ऑडिओ तासाच्या दहाव्या दराने उच्च-स्तरीय अचूकता वितरीत करू शकतो, तर उपक्रम-समर्थित ट्रान्सक्रिप्शन विक्रेत्यांनी अनुलंब स्पेशलायझेशन, वर्कफ्लो एकत्रीकरण किंवा गोपनीयता हमींमध्ये मूल्य शोधले पाहिजे — किंवा संपूर्णपणे बाजारातून बाहेर पडणे आवश्यक आहे.

दरम्यान, खरेदीदारांसाठी, संदेश हा वर्षानुवर्षे होता त्यापेक्षा सोपा आहे: अत्याधुनिक उच्चार ओळखण्याची किंमत आता एका तासापेक्षा एक पैसाही कमी आहे आणि ती फक्त स्वस्त होत आहे.

AI च्या पुढे रहा

नवीन AI टूल्स दर आठवड्याला लॉन्च होतात आणि विजेते आणि पराभूत झपाट्याने बदलतात. एआय टूल्स मार्केटच्या स्वतंत्र कव्हरेजसाठी एआय बझ वायरला फॉलो करा.

ताज्या एआय बातम्या वाचा →