مایکروسافت MAI-Transcribe-2 را با قیمت و سرعتی بهتر از OpenAI و گوگل عرضه کرد

مایکروسافت AI در ۳ سپتامبر مدل MAI-Transcribe-2 را معرفی کرد و مدعی شد این مدل سریع‌ترین، دقیق‌ترین و ارزان‌ترین سرویس تشخیص گفتار موجود در بازار است. با قیمت ۰.۱۰ دلار به ازای هر ساعت صدا تا پایان ۲۰۲۶ — که ۷۲٪ کاهش نسبت به نسخه قبلی MAI-Transcribe-1.5 محسوب می‌شود — این مدل مستقیماً با GPT-Transcribe شرکت OpenAI، Gemini 3.5 Transcribe گوگل و Scribe v2 شرکت ElevenLabs رقابت می‌کند.

این مدل در بنچمارک FLEURS در ۶۰ زبان با میانگین نرخ خطای کلمه ۵.۲٪ رتبه اول را کسب کرده و در لیدربورد مستقل Artificial Analysis در جایگاه دوم قرار دارد. از نظر سرعت، MAI-Transcribe-2 صدا را ۱۰ برابر سریع‌تر از GPT-Transcribe، ۷ برابر سریع‌تر از Scribe v2 و ۵ برابر سریع‌تر از Gemini 3.5 Transcribe پردازش می‌کند.

فراتر از عملکرد خالص، این مدل قابلیت‌هایی اضافه کرده که تیم‌های سازمانی منتظرش بودند: دیاریزیشن گوینده برای تشخیص افراد مختلف در مکالمه، تایم‌استمپ در سطح کلمه، تشخیص خودکار زبان، و پشتیبانی از تغییر کد (code-switching) برای مکالمات با زبان‌های مخلوط مثل هینگلیش یا اسپانگلیش. قابلیت keyword biasing نیز به توسعه‌دهندگان اجازه می‌دهد اصطلاحات تخصصی را با وزن بیشتری در تشخیص در نظر بگیرند.

این مدل در حال حاضر روی Microsoft Foundry، MAI Playground و Open Router در دسترس است و نشان‌دهنده استراتژی مایکروسافت برای تسلط بر لایه زیرساخت رونویسی است.