Microsoft снизила стоимость транскрипции речи с помощью искусственного интеллекта на 72 процента, выпустив MAI-Transcribe-2, новую модель собственного подразделения искусственного интеллекта Microsoft, которая, по словам компании, превосходит OpenAI, Google и ElevenLabs как по точности, так и по скорости. Модель, запущенная 3 сентября 2026 года, будет стоить всего 0,10 доллара за час аудио до 31 декабря 2026 года — это резкое снижение по сравнению с 0,36 доллара за час, который Microsoft взимала за свою предыдущую модель MAI-Transcribe-1.5 в июне.

Этот шаг является ярчайшим признаком того, что подразделение искусственного интеллекта Мустафы Сулеймана, созданное вокруг команды, которую Microsoft наняла из Inflection AI в марте 2024 года, намерено напрямую конкурировать с партнерами и соперниками, на которых оно когда-то полагалось. Для разработчиков, отслеживающих быстро меняющуюся экономику API-интерфейсов искусственного интеллекта, AI Buzz Wire освещает каждый запуск крупных инструментов искусственного интеллекта по мере его появления.

Цифры, стоящие за снижением цен

Согласно сообщению Microsoft и результатам тестов VentureBeat, MAI-Transcribe-2 занимает первое место в многоязычном тесте FLEURS на 60 языках со средней частотой ошибок в словах 5,2 процента. В независимой таблице лидеров искусственного анализа без потоковой передачи модель демонстрирует коэффициент ошибок в словах 2,0 процента и занимает второе место в общем зачете по точности, уступая только предварительному просмотру Fun-Realtime-ASR от Alibaba.

Скорость — вот где, по утверждению Microsoft, действительно открывается разрыв. Основываясь на оценках искусственного анализа, компания заявляет, что MAI-Transcribe-2 работает в 10 раз быстрее, чем GPT-Transcribe от OpenAI, в 7 раз быстрее, чем Scribe v2 от ElevenLabs, и в 5 раз быстрее, чем Gemini 3.5 Transcribe от Google. Искусственный анализ в настоящее время указывает модель со средним коэффициентом скорости 410,7, что означает, что час аудио может быть расшифрован примерно за девять-десять секунд.

Что может сделать модель

Помимо скорости и цены, список функций предназначен для производственных рабочих нагрузок, а не для демонстраций. MAI-Transcribe-2, доступный через Microsoft Foundry, MAI Playground и OpenRouter, поддерживает автоматическую идентификацию языка, переключение кода между языками в середине предложения, диаризацию говорящего, временные метки на уровне слов, смещение ключевых слов и настраиваемые стили транскрипции.

Эти функции определяют, действительно ли транскрипт можно использовать в условиях, где транскрипция приносит прибыль: колл-центры, направляющие жалобы клиентов, клиники, документирующие посещения, редакции, обрабатывающие интервью, и конференц-залы, где несколько человек переговариваются друг с другом. В частности, смещение ключевых слов позволяет разработчикам обучать модели словарному запасу, специфичному для предметной области — названиям лекарств, артикулам продуктов, юридическим терминам — без какого-либо переобучения.

Продуманная стратегия из магазина Сулеймана

MAI-Transcribe-2 — вторая модель транскрипции Microsoft AI за три месяца. MAI-Transcribe-1 был запущен по цене 0,36 доллара в час, а в июне последовал MAI-Transcribe-1.5 с поддержкой 43 языков и третьим местом в рейтинге искусственного анализа. Новая модель расширяет охват до 60 языков, снижая при этом цену более чем на две трети.

Ранее подразделение поставляло MAI-1 для текста и MAI-Voice-1 для генерации речи, а также новейшие модели кибербезопасности и изображения. Что заметно отсутствует в запуске, так это какое-либо упоминание о Copilot или OpenAI, что примечательно, учитывая многомиллиардные инвестиции Microsoft в OpenAI и ее историю реализации функций искусственного интеллекта через это партнерство. Вместо этого Microsoft продает модель под брендом Microsoft, которая конкурирует с собственным продуктом транскрипции OpenAI.

Ценовая война в речевом ИИ

Рынок транскрипции незаметно стал одним из наиболее конкурентных секторов прикладного ИИ, и ценовое давление вполне реально: Microsoft отмечает, что срок действия рекламной ставки в размере 0,10 доллара истекает 31 декабря 2026 года, что одновременно служит стимулом для клиентов и предупреждением конкурентам о том, куда движутся цены.

Для стартапов в космосе математика жестока. Если гиперскейлер может обеспечить высочайшую точность за десятую часть доллара за аудиочас, при этом воспроизводя час аудиоза секунды, венчурные поставщики транскрипции должны найти ценность в вертикальной специализации, интеграции рабочих процессов или гарантиях конфиденциальности — или полностью вытесниться с рынка.

Между тем, для покупателей сообщение проще, чем когда-либо: современное распознавание речи теперь стоит меньше десяти центов в час, и оно становится только дешевле.

Будьте впереди ИИ

Новые инструменты искусственного интеллекта запускаются каждую неделю, и победители и проигравшие быстро меняются. Подпишитесь на AI Buzz Wire, чтобы получать независимое освещение рынка инструментов искусственного интеллекта.

Читать последние новости искусственного интеллекта →