Подразделение Microsoft AI выпустило модель искусственного интеллекта MAI-Transcribe-2, предназначенную для распознавания речи. Она работает быстрее, точнее и обходится дешевле, чем аналогичные решения от OpenAI, Google или ElevenLabs, утверждает разработчик. Стоимость расшифровки часа аудиозаписи составляет 10 центов.
Источник изображения: microsoft.ai
Новая Microsoft MAI-Transcribe-2 поддерживает расшифровку речи на 60 языках, включая русский, — для сравнения, июньская MAI-Transcribe-1.5 поддерживала 43 языка, а вышедшая в апреле первая версия — только 25. Она работает на платформах Microsoft Foundry для разработчиков и MAI Playground для тестирования. Компания оптимизировала модель для обработки некачественного аудио, которое требуется на практике — с фоновым шумом, низким качеством записи, наложением реплик. Система размечает говорящих и расставляет временные метки на уровне слов, что позволяет производить поиск, а также облегчает редактирование и синхронизацию с видео. Есть также функция ввода ключевых слов: можно ввести список препаратов, кодов продуктов или имён собственных, чтобы модель не искажала их при работе. Есть дословный вывод записи со словами-паразитами и очищенный; поддерживается расшифровка речи с быстрым переходом между языками даже в середине фразы.
В рейтинге FLEURS по 60 языкам модель Microsoft MAI-Transcribe-2 выдала средний показатель ошибок при распознавании слов в 5,2 % и заняла в нём первое место. У MAI-Transcribe-1.5 в июне он был 3,7 %, но такая динамика едва ли означает, что модель стала работать хуже — вероятно, она связана с тем, что охват расширился с 43 до 60 языков. В независимом рейтинге Artificial Analysis новая модель по сравнению с июньской поднялась с третьего на второе место, обойдя ElevenLabs Scribe v2 и уступив только Alibaba Fun-Realtime-ASR-preview. Наконец, утверждает Microsoft, новая MAI-Transcribe-2 работает в десять раз быстрее, чем OpenAI GPT-Transcribe, в семь раз быстрее, чем ElevenLabs Scribe v2, и в пять раз быстрее, чем Google Gemini 3.5 Transcribe. И если вышедшая в апреле первая версия модели для расшифровки речи от Microsoft с поддержкой 25 языков обходилась в $0,36 за час записи, то новая с поддержкой 60 языков стоит уже $0,10 за такой же объём данных — правда, в Microsoft сообщили, что это начальная цена, и изменится ли она в будущем, пока неизвестно.