🎙Microsoft випустила транскрибацію дешевшу за OpenAI та Google
Microsoft AI випустила MAI-Transcribe-2 за $0,10 за годину аудіо — на 72% дешевше за модель пʼятимісячної давності ($0,36). Вона розпізнає 60 мов (було 43), має діаризацію спікерів, часові мітки та розпізнає суржик типу хінгліш. За Artificial Analysis модель у 10 разів швидша за GPT-Transcribe і у 7 — за Scribe v2 від ElevenLabs.
Це третя модель лінійки за пʼять місяців — Microsoft найшвидше замінює технології OpenAI власними розробками, попри $13 млрд інвестицій у партнера. Функції типу діаризації раніше продавали окремо — тепер вони в базовій ціні.
Що змінилося у продукті
MAI-Transcribe-2 розпізнає 60 мов проти 43 у попередній версії та 25 у першій моделі лінійки (квітень). Компанія розробляла модель під «брудне» аудіо — фонові шуми, накладання голосів, слабку якість запису, — а не під студійні умови.
У базову ціну тепер входить діаризація спікерів (розподіл реплік між учасниками розмови), часові мітки для кожного слова, автоматичне визначення мови та налаштування вимови спеціальних термінів — назв препаратів, кодів товарів, імен співробітників. Окремо виділено два режими виводу: «дослівний», що зберігає всі «е-е», обірвані фрази й повтори для юридичних і комплаєнс-задач, та «чистий» — без слів-паразитів, для читабельних субтитрів і нотаток. Розпізнавання суржикових конструкцій (Microsoft називає хінгліш та спангліш) орієнтоване на ринки Індії та іспаномовної Америки, де дзвінок у контакт-центр може перемикати мову по кілька разів за хвилину.
Бенчмарки: що саме виміряли
За бенчмарком FLEURS (стандарт для багатомовного розпізнавання, побудований на записах носіїв мови) модель показує середню частку помилок у словах 5,2% на 60 мовах — це формально гірше за 3,7% у попередньої версії, але пояснюється розширенням вибірки на мови з малим обсягом даних, де помилок більше в усіх моделей.
На незалежному лідерборді Artificial Analysis модель посіла друге місце за точністю (у червня попередня версія була третьою, поступаючись Alibaba Fun-Realtime-ASR-preview та Scribe v2 від ElevenLabs) і визначає «межу Парето» за співвідношенням швидкості й точності — тобто жоден конкурент не перевершує її за точністю без програшу у швидкості, і навпаки.
Чому Microsoft форсує власні моделі
Це третій реліз лінійки транскрипції за п'ять місяців: квітень — 25 мов і $0,36/год, червень — 43 мови, зараз — 60 мов і $0,10/год. Гендиректор Microsoft AI Мустафа Сулейман раніше розповідав The Verge, що першу модель створила «невелика фокусована команда з 10 людей», звільнена від бюрократії, а сама модель працювала на «половині вартості GPU» порівняно з іншими провідними моделями.
Рух до незалежності від OpenAI прискорився після переговорів про партнерство: у жовтні 2025 року угода дозволила Microsoft «самостійно розвивати AGI» окремо або в партнерстві з третіми сторонами, а в квітні 2026-го сторони скасували ексклюзивний доступ Microsoft до моделей OpenAI та платежі за частку доходу. За даними Bloomberg, Microsoft уже з липня використовує власні MAI-моделі для частини запитів у Word та Excel — продуктах, які раніше рекламувалися як побудовані на OpenAI та Anthropic.
Кому це адаптовано і чого бракує для рішення
Microsoft порівнює нову модель із GPT-Transcribe та Whisper (OpenAI), Gemini 3.5 Transcribe (Google) і Scribe v2 (ElevenLabs) — тобто позиціонує себе проти великих лабораторій, а не проти профільних постачальників на кшталт Deepgram чи AssemblyAI, чий головний козир — глибока галузева адаптація (медична, юридична термінологія), на яку якраз і націлена функція налаштування вимови термінів.
Модель доступна через Microsoft Foundry та MAI Playground. У матеріалі не вказано, чи термін дії ціни $0,10/год обмежений: вона названа «стартовою пропозицією» без дати завершення й без стандартного тарифу після неї.