Microsoft представила ШІ-модель для розшифровки аудіо: 60 мов і 10 центів за годину

Microsoft AI випустила нову модель MAI-Transcribe-2 для розпізнавання мовлення. Розробники стверджують, що вона перевершує аналогічні рішення OpenAI, Google та ElevenLabs одразу за трьома параметрами — швидкістю, точністю та вартістю. Розшифровка години аудіозапису коштуватиме лише 10 центів.

Ціна стала головною сенсацією релізу. Коли п'ять місяців тому вийшла перша модель лінійки MAI-Transcribe, година аудіо коштувала 36 центів. Тепер вартість знизилася приблизно на 72%. Для компанії, яка щороку обробляє 100 тисяч годин записів кол-центру — типовий обсяг для великого банку чи телеком-оператора — рахунок зменшується з 36 тисяч до 10 тисяч доларів. У Microsoft уточнюють, що це стартова ціна, і чи зміниться вона згодом — поки невідомо.

MAI-Transcribe-2 підтримує розшифровку 60 мовами, включно з українською та російською. Для порівняння: у червневій версії MAI-Transcribe-1.5 їх було 43, а в першій квітневій — лише 25. Модель доступна розробникам на платформі Microsoft Foundry та в MAI Playground для тестування.

Цей реліз демонструє стратегію, яка ще два роки тому здавалася малоймовірною: Microsoft поступово будує власні флагманські моделі для кожної модальності — тексту, голосу та зображень — і послідовно замінює ними рішення OpenAI у власних продуктах. Найбільше цей план просунувся саме в розшифровці мовлення, і MAI-Transcribe-2 стала його найяскравішим підтвердженням.

Компанія оптимізувала модель під реальну якість запису, з якою стикається бізнес: фоновий шум, поганий мікрофон та накладання реплік. Серед функцій — розмітка мовців (діаризація), часові мітки на рівні слів, можливість заздалегідь передати список ключових слів (наприклад, медичних препаратів чи власних імен), два формати виводу — дослівний та очищений — і підтримка швидкого перемикання між мовами.

У бенчмарку FLEURS, який охоплює 60 мов, MAI-Transcribe-2 показала середній рівень помилок 5,2% і посіла перше місце. У червневої версії цей показник був кращим — 3,7%, але це пояснюється розширенням охоплення з 43 до 60 мов. У незалежному рейтингу Artificial Analysis нова модель піднялася з третього на друге місце, обійшовши ElevenLabs Scribe v2. За заявою Microsoft, MAI-Transcribe-2 працює у 10 разів швидше за OpenAI GPT-Transcribe, у 7 разів — за ElevenLabs Scribe v2, і у 5 разів — за Google Gemini 3.5 Transcribe. Гендиректор Microsoft AI Мустафа Сулейман описав реліз трьома словами: «Найшвидша. Найдешевша. Найкраща».

Ця модель стає важливим кроком у тому, як найбільша софтверна компанія світу планує конкурувати у сфері штучного інтелекту, не покладаючись на партнера, у якого інвестувала 13 мільярдів доларів. Для українських розробників і бізнесу це також означає доступніший інструмент для роботи з аудіоконтентом рідною мовою.