O echipă de 10 oameni de la Microsoft a construit un model vocal mai ieftin și mai rapid decât OpenAI și Google

Modelul se numește MAI-Transcribe-2. Microsoft AI, divizia condusă de Mustafa Suleyman, l-a lansat pe 3 septembrie la prețul de 0,10 dolari pe oră audio — valabil până la sfârșitul anului 2026. Versiunea anterioară, MAI-Transcribe-1.5, costa 0,36 dolari pe oră. Reducerea de 72% nu este o rotunjire de marketing. Un centru de contact care procesează 100.000 de ore de audio pe an plătea 36.000 de dolari pentru modelul anterior; aceeași sarcină costă acum 10.000 de dolari.

Performanța în benchmark-uri este cea care face prețul neobișnuit. În evaluarea multilingvă FLEURS, MAI-Transcribe-2 ocupă primul loc în 60 de limbi, cu o rată medie de eroare a cuvintelor de 5,2% — mai bună decât GPT-Transcribe de la OpenAI, Gemini 3.5 Transcribe de la Google, ElevenLabs Scribe v2 și Whisper V3-Large de la Meta. Pe leaderboard-ul Artificial Analysis, care urmărește simultan acuratețea și latența, se află pe locul al doilea la general și definește ceea ce cercetătorii numesc frontiera Pareto — granița dincolo de care nu poți îmbunătăți o metrică fără a o degrada pe cealaltă. Modelul a fost antrenat să stea la marginea eficientă a acelei frontiere, nu să urmărească vârful vreunui clasament cu o singură metrică.

Viteza este a doua afirmație care merită examinată. Microsoft spune că MAI-Transcribe-2 procesează audio de 10 ori mai rapid decât GPT-Transcribe, de 7 ori mai rapid decât ElevenLabs Scribe v2 și de 5 ori mai rapid decât Gemini 3.5 Transcribe. Pentru audio de lungă durată — transcrierea podcasturilor, depozițiile legale, notele clinice — această diferență determină dacă un flux de lucru rulează în secunde sau în minute. Modelul face și diarizare a vorbitorilor (identificarea cine a vorbit când), timestamp-uri la nivel de cuvânt, biasing pe cuvinte cheie pentru terminologia de domeniu și suport pentru comutare de cod în limbile care se amestecă în mijlocul frazei, citând în mod specific Hinglish și Spanglish ca exemple testate.

Echipa care l-a construit este notabilă proporțional cu ceea ce a construit. Microsoft descrie grupul de bază ca fiind format din 10 persoane, care operează cu o birocrație internă minimă și sunt sprijinite de echipe mai mari care se ocupă de achiziția de date și gestionarea furnizorilor. Afirmația privind eficiența GPU rezultată este specifică: MAI-Transcribe-2 rulează la jumătate din costul GPU al modelelor concurente de ultimă generație. Dacă acest lucru se menține sub sarcină enterprise la scară largă nu poate fi verificat din anunț, dar afirmația privind arhitectura este suficient de precisă pentru a fi testată.

Modelul este disponibil acum pe Microsoft Foundry, MAI Playground și Open Router — ceea ce înseamnă că accesul nu necesită un contract Azure sau o relație enterprise cu Microsoft. Această lățime de distribuție este intenționată. Impulsul Microsoft AI către API-uri directe pentru dezvoltatori face parte dintr-o repoziționare mai largă, în urma restructurării parteneriatului cu OpenAI. Amendamentele din octombrie 2025 și aprilie 2026 au eliminat aranjamentele de exclusivitate și partajare a veniturilor care definesc relația din 2019. Microsoft are acum un stimulent direct să concureze la nivelul modelului, nu doar să distribuie rezultatele OpenAI.

Prețul de 0,10 dolari este marcat ca fiind valabil până la sfârșitul anului 2026. Prețul standard după acea dată nu a fost dezvăluit. Cumpărătorii care evaluează MAI-Transcribe-2 pentru sarcini de producție prețuiesc un produs al cărui cost nu îl cunosc pentru anul calendaristic 2027. Acesta este un risc care merită numit clar, chiar dacă rata actuală face modelul atractiv față de orice alternativă vizibilă.

Etichete: știri, inteligența artificială, Google, OpenAI, microsoft, ElevenLabs