Корпорація Майкрософт знизила ціну на транскрипцію мовлення за допомогою штучного інтелекту на 72 відсотки завдяки запуску MAI-Transcribe-2, нової моделі свого внутрішнього підрозділу Microsoft AI, яка, за словами компанії, перевершує OpenAI, Google і ElevenLabs як за точністю, так і за швидкістю. Модель, запущена 3 вересня 2026 року, коштуватиме лише 0,10 долара за годину аудіо до 31 грудня 2026 року — різке зниження порівняно з 0,36 долара за годину, які Microsoft стягувала за свою попередню модель MAI-Transcribe-1.5 у червні.

Цей крок є найяскравішим свідченням того, що підрозділ Microsoft AI Мустафи Сулеймана, створений навколо команди, яку Microsoft найняв у Inflection AI у березні 2024 року, має намір конкурувати безпосередньо з партнерами та суперниками, на яких він колись покладався. Для розробників, які відстежують швидку зміну економіки AI API, AI Buzz Wire охоплює всі основні інструменти штучного інтелекту, що запускаються, як тільки вони відбуваються.

Цифри, що стоять за зниженням ціни

Згідно з публікацією Microsoft про запуск і охопленням порівняльного тесту від VentureBeat, MAI-Transcribe-2 посідає перше місце в багатомовному тесті FLEURS на 60 мовах із середнім рівнем помилок у словах 5,2 відсотка. У незалежній таблиці лідерів Artificial Analysis без потокової передачі даних модель показує 2,0-відсотковий рівень помилок у словах і займає друге місце за точністю, поступаючись лише попередньому перегляду Fun-Realtime-ASR від Alibaba.

Microsoft стверджує, що прогалина справді відкривається у швидкості. На основі оцінок Artificial Analysis компанія каже, що MAI-Transcribe-2 працює в 10 разів швидше, ніж GPT-Transcribe від OpenAI, у 7 разів швидше, ніж Scribe v2 від ElevenLabs, і в 5 разів швидше, ніж Google Gemini 3.5 Transcribe. Artificial Analysis наразі перераховує модель із середнім коефіцієнтом швидкості 410,7, тобто година аудіо може бути розшифрована приблизно за дев’ять-десять секунд.

Що може зробити модель

Крім простої швидкості та ціни, список функцій спрямований на виробничі навантаження, а не на демонстрації. Доступний через Microsoft Foundry, MAI Playground і OpenRouter, MAI-Transcribe-2 підтримує автоматичну ідентифікацію мови, перемикання коду між мовами в середині речення, щоденник мовця, часові мітки на рівні слів, зміщення ключових слів і настроювані стилі транскриптів.

Ці функції вирішують, чи дійсно стенограму можна використовувати в умовах, де транскрипція заробляє гроші: кол-центри, які направляють скарги клієнтів, клініки, що документують візити, редакції, які обробляють інтерв’ю, і кімнати для зустрічей, де кілька людей говорять один про одного. Зокрема, зміщення ключових слів дозволяє розробникам викладати лексику, специфічну для предметної області моделі — назви ліків, артикули продуктів, юридичні терміни — без повторного навчання.

Продумана стратегія з магазину Сулеймана

MAI-Transcribe-2 — друга модель транскрипції Microsoft AI за три місяці. MAI-Transcribe-1 було запущено з ціною 0,36 доларів США на годину, а MAI-Transcribe-1.5 пішов у червні з підтримкою 43 мов і третім місцем у рейтингу штучного аналізу. Нова модель розширює покриття до 60 мов, одночасно знижуючи ціну більш ніж на дві третини.

Пристрій раніше постачав MAI-1 для тексту та MAI-Voice-1 для генерування мовлення, а також останні моделі кібербезпеки та зображень. Що помітно відсутнє під час запуску, так це будь-яка згадка про Copilot або OpenAI — це помітно, враховуючи багатомільярдні інвестиції Microsoft у OpenAI та її історію маршрутизації функцій ШІ через це партнерство. Натомість Microsoft продає модель під брендом Microsoft, яка прямо конкурує з власним продуктом транскрипції OpenAI.

Війна цін у мовному штучному інтелекті

Ринок транскрипції тихо став одним із найбільш конкурентоспроможних куточків прикладного штучного інтелекту, і ціновий тиск реальний: Microsoft зазначає, що 31 грудня 2026 року закінчується термін дії рекламної ставки в розмірі 0,10 доларів США, що є водночас стимулом для клієнтів і попередженням для конкурентів про те, куди рухаються ціни.

Для стартапів у космосі математика жорстока. Якщо гіпермасштабувальник може забезпечувати найвищу точність у десяту долара за годину аудіо, водночас відтворюючи годину аудіо за секунди, венчурні постачальники транскрипції повинні знайти цінність у вертикальній спеціалізації, інтеграції робочого процесу чи гарантіях конфіденційності — або повністю вийти з ринку.

Тим часом для покупців повідомлення стало простішим, ніж це було за останні роки: найсучасніше розпізнавання мовлення тепер коштує менше копійки на годину, і воно стає лише дешевшим.

Будьте попереду ШІ

Нові інструменти штучного інтелекту запускаються щотижня, і переможці та переможені швидко змінюються. Підпишіться на AI Buzz Wire, щоб отримати незалежне висвітлення ринку інструментів штучного інтелекту.

Читати останні новини ШІ →