Microsoft випустила ШІ для розшифровки мови за 10 центів на годину — він працює в 10 разів швидше за аналог OpenAI

Підрозділ Microsoft AI випустив модель штучного інтелекту MAI-Transcribe-2, призначену для розпізнавання мови. Вона працює швидше, точніше і обходиться дешевше, ніж аналогічні рішення від OpenAI, Google або ElevenLabs, стверджує розробник. Вартість розшифровки години аудіозапису складає 10 центів.

Джерело зображення: microsoft.ai

Нова Microsoft MAI-Transcribe-2 підтримує розшифровку мови на 60 мовах, включаючи російську — для порівняння, червнева MAI-Transcribe-1.5 підтримувала 43 мови, а перша версія, що вийшла в квітні, — лише 25. Вона працює на платформах Microsoft Foundry для розробників і MAI Playground для тестування. Компанія оптимізувала модель для обробки неякісного аудіо, яке потрібно на практиці — з фоновим шумом, низькою якістю запису, накладенням реплік. Система розмічає говорячих і розставляє тимчасові мітки на рівні слів, що дозволяє здійснювати пошук, а також полегшує редагування і синхронізацію з відео. Є також функція введення ключових слів: можна ввести список препаратів, кодів продуктів або власних імен, щоб модель не спотворювала їх під час роботи. Є дослівний вивід запису зі словами-паразитами і очищений; підтримується розшифровка мови з швидким переходом між мовами навіть у середині фрази.

У рейтингу FLEURS по 60 мовах модель Microsoft MAI-Transcribe-2 показала середній показник помилок при розпізнаванні слів у 5,2 % і зайняла в ньому перше місце. У MAI-Transcribe-1.5 у червні цей показник становив 3,7 %, але така динаміка навряд чи означає, що модель стала працювати гірше — ймовірно, це пов'язано з тим, що охоплення розширилося з 43 до 60 мов. В незалежному рейтингу Artificial Analysis нова модель у порівнянні з червневою піднялася з третього на друге місце, обійшовши ElevenLabs Scribe v2 і поступившись лише Alibaba Fun-Realtime-ASR-preview. Нарешті, стверджує Microsoft, нова MAI-Transcribe-2 працює в десять разів швидше, ніж OpenAI GPT-Transcribe, в сім разів швидше, ніж ElevenLabs Scribe v2, і в п'ять разів швидше, ніж Google Gemini 3.5 Transcribe. І якщо перша версія моделі для розшифровки мови від Microsoft з підтримкою 25 мов обходилася в $0,36 за годину запису, то нова з підтримкою 60 мов коштує вже $0,10 за такий же обсяг даних — правда, в Microsoft повідомили, що це початкова ціна, і чи зміниться вона в майбутньому, поки невідомо.

Хочеш дізнатися більше — читай відгуки