Firma Microsoft obniżyła cenę transkrypcji mowy opartej na sztucznej inteligencji o 72 procent wraz z wprowadzeniem na rynek MAI-Transcribe-2, nowego modelu opracowanego przez jej wewnętrzną jednostkę Microsoft AI, który według firmy pokonuje OpenAI, Google i ElevenLabs zarówno pod względem dokładności, jak i szybkości. Cena modelu, wprowadzonego na rynek 3 września 2026 r., wynosi zaledwie 0,10 dolara za godzinę odtwarzania do 31 grudnia 2026 r., co stanowi gwałtowny spadek w porównaniu z 0,36 dolara za godzinę, jaką Microsoft pobierał w czerwcu za swój poprzedni model MAI-Transcribe-1.5.

To posunięcie jest jak dotąd najwyraźniejszym sygnałem, że dział Microsoft AI Mustafy Suleymana, zbudowany wokół zespołu, który Microsoft zatrudnił od Inflection AI w marcu 2024 r., zamierza bezpośrednio konkurować z partnerami i rywalami, na których kiedyś polegał. Dla programistów śledzących szybko zmieniającą się ekonomikę interfejsów API AI, AI Buzz Wire omawia na bieżąco wszystkie najważniejsze premiery narzędzi AI.

Liczby stojące za obniżką cen

Zgodnie z postem Microsoftu na temat premiery i wynikami testów porównawczych VentureBeat, MAI-Transcribe-2 zajmuje pierwsze miejsce w wielojęzycznym teście FLEURS w 60 językach, ze średnim współczynnikiem błędów wynoszącym 5,2%. W niezależnym rankingu Sztucznej Analizy model odnotowuje współczynnik błędów wynoszący 2,0% i zajmuje drugie miejsce pod względem dokładności, ustępując jedynie podglądowi Fun-Realtime-ASR firmy Alibaba.

Według Microsoftu, luka naprawdę otwiera się na szybkości. Na podstawie ocen sztucznej analizy firma twierdzi, że MAI-Transcribe-2 działa 10 razy szybciej niż GPT-Transcribe OpenAI, 7 razy szybciej niż Scribe v2 ElevenLabs i 5 razy szybciej niż Google Gemini 3.5 Transcribe. Sztuczna analiza podaje obecnie, że model ma średni współczynnik szybkości wynoszący 410,7, co oznacza, że ​​godzinna transkrypcja dźwięku może zająć około dziewięć do dziesięciu sekund.

Co model może zrobić

Poza samą szybkością i ceną lista funkcji jest ukierunkowana na obciążenia produkcyjne, a nie na wersje demonstracyjne. Dostępny za pośrednictwem Microsoft Foundry, MAI Playground i OpenRouter, MAI-Transcribe-2 obsługuje automatyczną identyfikację języka, przełączanie kodu między językami w połowie zdania, diaryzację mówiącego, znaczniki czasu na poziomie słów, promowanie słów kluczowych i konfigurowalne style transkrypcji.

Funkcje te decydują o tym, czy transkrypcja faktycznie nadaje się do użytku w sytuacjach, w których transkrypcja przynosi zyski: centra obsługi telefonicznej przekazujące skargi klientów, kliniki dokumentujące wizyty, redakcje przetwarzające wywiady oraz sale konferencyjne, w których wiele osób rozmawia ze sobą. W szczególności promowanie słów kluczowych pozwala programistom uczyć modelowego słownictwa specyficznego dla domeny – nazw leków, kodów SKU produktów, terminów prawnych – bez konieczności ponownego szkolenia.

Przemyślana strategia ze sklepu Sulejmana

MAI-Transcribe-2 to drugi model transkrypcji Microsoft AI w ciągu trzech miesięcy. MAI-Transcribe-1 został wprowadzony na rynek z ceną 0,36 dolara za godzinę, a w czerwcu pojawił się MAI-Transcribe-1.5 z obsługą 43 języków i zajmując trzecie miejsce w rankingu sztucznej analizy. Nowy model rozszerza zasięg do 60 języków, jednocześnie obniżając cenę o ponad dwie trzecie.

Jednostka dostarczyła już MAI-1 do przesyłania tekstu i MAI-Voice-1 do generowania mowy, a także najnowsze modele cyberbezpieczeństwa i obrazu. Podczas premiery wyraźnie brakuje jakiejkolwiek wzmianki o Copilot lub OpenAI – co jest godne uwagi, biorąc pod uwagę wielomiliardowe inwestycje Microsoftu w OpenAI i historię kierowania funkcji AI w ramach tego partnerstwa. Zamiast tego Microsoft sprzedaje model marki Microsoft, który bezpośrednio konkuruje z własnym produktem do transkrypcji OpenAI.

Wojna cenowa w AI mowy

Rynek transkrypcji po cichu stał się jednym z najbardziej konkurencyjnych obszarów stosowanej sztucznej inteligencji, a presja cenowa jest realna: Microsoft zauważa, że promocyjna stawka 0,10 USD wygasa 31 grudnia 2026 r., co działa zarówno jako zachęta dla klientów, jak i ostrzeżenie dla konkurencji o tym, dokąd zmierzają ceny.

W przypadku start-upów działających w kosmosie matematyka jest brutalna. Jeśli hiperskaler może zapewnić najwyższą dokładność na poziomie jednej dziesiątej dolara za godzinę dźwięku, jednocześnie obracając godzinę dźwięku w ciągu kilku sekund, dostawcy transkrypcji wspierani przez przedsięwzięcie muszą znaleźć wartość w specjalizacji pionowej, integracji przepływu pracy lub gwarancjach prywatności – w przeciwnym razie zostaną całkowicie skompresowani z rynku.

Tymczasem dla kupujących przekaz jest prostszy niż kiedykolwiek od lat: najnowocześniejsze rozpoznawanie mowy kosztuje obecnie mniej niż ani grosza za godzinę, a staje się coraz tańsze.

Wyprzedź sztuczną inteligencję

Co tydzień pojawiają się nowe narzędzia AI, a zwycięzcy i przegrani szybko się zmieniają. Śledź AI Buzz Wire, aby uzyskać niezależne informacje na temat rynku narzędzi AI.

Przeczytaj najnowsze wiadomości o sztucznej inteligencji →