Microsoft đã giảm 72% giá dịch vụ phiên âm giọng nói được hỗ trợ bởi AI khi ra mắt MAI-Transcribe-2, một mẫu mới từ đơn vị AI nội bộ của Microsoft mà công ty cho biết đã đánh bại OpenAI, Google và ElevenLabs về cả độ chính xác và tốc độ. Mẫu này, ra mắt vào ngày 3 tháng 9 năm 2026, có giá chỉ 0,10 USD mỗi giờ âm thanh cho đến ngày 31 tháng 12 năm 2026 — giảm mạnh so với mức 0,36 USD mỗi giờ mà Microsoft tính cho mẫu MAI-Transcribe-1.5 trước đó vào tháng 6.

Động thái này là dấu hiệu rõ ràng nhất cho thấy bộ phận Microsoft AI của Mustafa Suleyman, được xây dựng xung quanh nhóm mà Microsoft đã thuê từ Inflection AI vào tháng 3 năm 2024, có ý định cạnh tranh trực tiếp với các đối tác và đối thủ mà bộ phận này từng dựa vào. Đối với các nhà phát triển theo dõi nền kinh tế đang thay đổi nhanh chóng của API AI, AI Buzz Wire bao gồm mọi lần ra mắt công cụ AI chính khi nó diễn ra.

Những con số đằng sau việc giảm giá

Theo bài đăng ra mắt của Microsoft và phạm vi điểm chuẩn từ VentureBeat, MAI-Transcribe-2 đứng đầu trên điểm chuẩn đa ngôn ngữ FLEURS trên 60 ngôn ngữ, với tỷ lệ lỗi từ trung bình là 5,2%. Trên bảng xếp hạng không phát trực tuyến độc lập của Phân tích nhân tạo, mô hình này có tỷ lệ lỗi từ 2,0% và xếp thứ hai về độ chính xác tổng thể, chỉ sau bản xem trước Fun-Realtime-ASR của Alibaba.

Tốc độ là nơi Microsoft tuyên bố khoảng cách thực sự mở ra. Dựa trên các đánh giá Phân tích nhân tạo, công ty cho biết MAI-Transcribe-2 chạy nhanh hơn 10 lần so với GPT-Transcribe của OpenAI, nhanh hơn 7 lần so với Scribe v2 của ElevenLabs và nhanh hơn 5 lần so với Gemini 3.5 Transcribe của Google. Phân tích nhân tạo hiện liệt kê mô hình có hệ số tốc độ trung bình là 410,7, nghĩa là một giờ âm thanh có thể được phiên âm trở lại sau khoảng chín đến mười giây.

Người mẫu có thể làm gì

Ngoài tốc độ thô và giá cả, danh sách tính năng còn nhắm đến khối lượng công việc sản xuất hơn là bản demo. Có sẵn thông qua Microsoft Foundry, MAI Playground và OpenRouter, MAI-Transcribe-2 hỗ trợ nhận dạng ngôn ngữ tự động, chuyển đổi mã giữa các ngôn ngữ ở giữa câu, ghi nhật ký của người nói, dấu thời gian ở cấp độ từ, xu hướng từ khóa và kiểu bản ghi có thể định cấu hình.

Những tính năng đó quyết định liệu bản ghi có thực sự hữu dụng trong các môi trường mà bản ghi có thể kiếm tiền hay không: trung tâm cuộc gọi định tuyến khiếu nại của khách hàng, ghi lại các chuyến khám bệnh tại phòng khám, phòng tin tức xử lý các cuộc phỏng vấn và phòng họp nơi nhiều người nói chuyện với nhau. Đặc biệt, xu hướng từ khóa cho phép các nhà phát triển dạy từ vựng dành riêng cho từng miền của mô hình - tên thuốc, SKU sản phẩm, thuật ngữ pháp lý - mà không cần đào tạo lại bất cứ điều gì.

Một chiến lược có chủ ý từ cửa hàng của Suleyman

MAI-Transcribe-2 là mô hình phiên âm thứ hai của Microsoft AI trong ba tháng. MAI-Transcribe-1 ra mắt với giá 0,36 USD mỗi giờ và MAI-Transcribe-1.5 tiếp theo vào tháng 6 với sự hỗ trợ cho 43 ngôn ngữ và xếp hạng thứ ba về Phân tích nhân tạo. Mô hình mới mở rộng phạm vi phủ sóng tới 60 ngôn ngữ trong khi giảm giá hơn 2/3.

Đơn vị này trước đây đã vận chuyển MAI-1 cho văn bản và MAI-Voice-1 để tạo giọng nói, cùng với các mô hình hình ảnh và an ninh mạng gần đây. Điều dễ thấy vắng mặt trong buổi ra mắt là bất kỳ đề cập nào đến Copilot hoặc OpenAI - đáng chú ý là khoản đầu tư hàng tỷ đô la của Microsoft vào OpenAI và lịch sử định tuyến các tính năng AI thông qua quan hệ đối tác đó. Thay vào đó, Microsoft đang bán một mô hình mang thương hiệu Microsoft để cạnh tranh trực tiếp với sản phẩm sao chép của chính OpenAI.

Cuộc chiến về giá trong lời nói AI

Thị trường phiên âm đã âm thầm trở thành một trong những góc cạnh tranh nhất của AI ứng dụng và áp lực về giá là có thật: Microsoft lưu ý rằng mức khuyến mại 0,10 USD sẽ hết hạn vào ngày 31 tháng 12 năm 2026, có chức năng vừa là động cơ khuyến khích khách hàng vừa là cảnh báo cho các đối thủ cạnh tranh về mức giá sẽ hướng tới.

Đối với các công ty khởi nghiệp trong lĩnh vực không gian, phép toán thật tàn khốc. Nếu công cụ siêu tỷ lệ có thể mang lại độ chính xác hàng đầu ở mức 1/10 đô la cho mỗi giờ âm thanh trong khi xử lý một giờ âm thanh trong vài giây, thì các nhà cung cấp phiên âm được liên doanh hỗ trợ phải tìm thấy giá trị trong chuyên môn hóa theo chiều dọc, tích hợp quy trình làm việc hoặc đảm bảo quyền riêng tư — hoặc bị loại khỏi thị trường hoàn toàn.

Trong khi đó, đối với người mua, thông điệp đơn giản hơn so với những năm trước: công nghệ nhận dạng giọng nói tiên tiến hiện có giá chưa đến một xu một giờ và nó chỉ ngày càng rẻ hơn.

Đi trước AI

Các công cụ AI mới ra mắt hàng tuần và người thắng kẻ thua thay đổi nhanh chóng. Theo dõi AI Buzz Wire để biết thông tin độc lập về thị trường công cụ AI.

Đọc tin tức mới nhất về AI →