MAI-Transcribe-2 fiyat ve hız konusunda OpenAI, Google ve ElevenLabs'ın altını çiziyor

Microsoft AI Perşembe günü, şirketin OpenAI, Google veya ElevenLabs'ın şu anda sattığı her şeyden daha hızlı, daha doğru ve daha ucuz olduğunu söylediği bir konuşma tanıma modeli olan MAI-Transcribe-2'yi piyasaya sürdü. Daha sonra bu şeyi ses saati başına 10 sent olarak fiyatlandırdı. Bu rakam bir ara vermeyi hak ediyor. Microsoft AI bu hattaki ilk modeli yalnızca beş ay önce gönderdiğinde, saat başına 0,36 dolar ücret alıyordu. Perşembe günkü erken rezervasyon fiyatı bunu yaklaşık %72 oranında düşürdü. Yılda 100.000 saat çağrı merkezi sesi işleyen bir kuruluş için (büyük bir banka veya telekomünikasyon için mütevazı bir miktar) fatura 36.000 dolardan 10.000 dolara düşüyor. Bu seviyede, transkripsiyon herkesin tartıştığı bir konu olmaktan çıkar. Sürüm, Microsoft'nin iki yıl önce mantıksız görünen bir stratejiyi uygulamasıyla geldi: her seferinde bir yöntem olmak üzere kendi sınır sınıfı modellerini oluşturmak, ardından bunları bir zamanlar OpenAI'nin teknolojisiyle çalışan ürünlerle istikrarlı bir şekilde değiştirmek. Transkripsiyon, bu planın en hızlı ilerlediği yöntem ve MAI-Transcribe-2 ise bunun şimdiye kadarki en açık kanıt noktası. Aynı zamanda dünyanın en değerli yazılım şirketinin, geliştirmek için 13 milyar dolar harcadığı ortağa bağlı kalmadan yapay zeka alanında nasıl rekabet etmeyi planladığının bir ön izlemesini sunuyor. MAI-Transcribe-2 ne yapar ve özellik listesi kurumsal alıcılar için neden önemlidir Model, Haziran'daki MAI-Transcribe-1.5'te 43, Nisan'daki orijinal sürümde ise 25 olmak üzere, sesi 60 dilde yazıya dökmektedir.

Şirketin geliştiricilere yönelik model pazarı olan Microsoft Foundry'de ve test ortamı olan MAI Playground'da çalışır. Microsoft, temiz stüdyo koşullarından ziyade, gerçek işletmelerin ürettiği arka plan gürültüsü, düşük kaliteli kayıtlar, örtüşen konuşmalar gibi karmaşık ses için model oluşturduğunu söylüyor. Dil sayısından daha önemli olan, Microsoft'nin temel ürüne neler kattığıdır. Konuşmacı günlüğü, çok kişili bir kayıtta kimin ne söylediğini sıralar; bu, bir metin duvarı ile kullanılabilir bir toplantı metni arasındaki farktır. Kelime düzeyindeki zaman damgaları her kelimeye kesin bir zaman işareti ekleyerek arama, düzenleme ve videoyla hizalama işlemlerini mümkün kılar. Anahtar kelimeye ağırlık verme, geliştiricilerin modeli ilaç adları, ürün kodları veya çalışan adlarından oluşan bir listeyle beslemesine olanak tanır, böylece alan adı jargonunu karıştırmayı durdurur. Otomatik dil tanımlama, kullanıcıların artık dili önceden bildirmelerine gerek olmadığı anlamına gelir. İki özellik, özgünlük açısından öne çıkıyor.