مایکروسافت در جدیدترین اقدام خود برای تسلط بر بازار پردازش صوت، از مدل پیشرفته MAI-Transcribe-2-Streaming رونمایی کرده است. این مدل که توسط ردموندی‌ها توسعه یافته، در بنچمارک معتبر AA-WER Streaming موفق به ثبت نرخ خطای کلمه‌ای (WER) شگفت‌انگیز ۲٫۵ درصد و زمان پاسخ‌دهی ۰٫۱۳ ثانیه پس از پایان صحبت شده و توانسته است جایگاه نخست دقت و سرعت را در میان ۳۸ مدل رقیب به خود اختصاص دهد.
این مدل به راحتی توانسته رقبای قدرتمندی مانند Grok Voice Transcribe 2.0 متعلق به اسپیس‌ایکس‌ای‌آی را که پیش‌تر با نرخ خطای ۲٫۷ درصد و تاخیر ۰٫۴۹ ثانیه در صدر قرار داشت، با فاصله‌ای قابل توجه پشت سر بگذارد. پردازش صوت در محیط‌های زنده نیازمند سرعت واکنش بالایی است که با ریتم مکالمات انسانی هماهنگ باشد و این خروجی جدید مایکروسافت، گام بزرگی در راستای تحقق رونویسی بی‌وقفه و بلادرنگ به شمار می‌رود.
عملکرد مدل‌ها در تبدیل گفتار به متن بر اساس دو مؤلفه دقت متن نهایی (Final Transcript) و اولین خروجی جزئی (First Partial Transcript) ارزیابی می‌شود. مایکروسافت در هر دو شاخص برتری دارد و موفق به ثبت استانداردهای جدیدی شده است.
مدل MAI-Transcribe-2-Streaming با نرخ خطای ۲٫۵ درصد و زمان ۰٫۱۳ ثانیه، عملکردی دقیق‌تر و سریع‌تر نسبت به Muse Voice Transcribe با خطای ۳٫۱ درصد و زمان ۰٫۱۶ ثانیه و ElevenLabs Scribe v2 Realtime با خطای ۳٫۶ درصد و زمان ۰٫۱۴ ثانیه ارائه می‌دهد.
مدل Cartesia Ink Preview هرچند با زمان ۰٫۱۱ ثانیه کمی سریع‌تر عمل می‌کند، اما نرخ خطای ۳٫۱ درصدی آن نشان‌دهنده دقت پایین‌تری است.
در تولید اولین قطعات متنی حین صحبت، نماینده مایکروسافت به نرخ خطای ۲٫۵ درصد در زمان ۰٫۱۲ ثانیه دست یافته که در مقایسه با خطای ۳٫۴ درصدی مدل Grok Voice Transcribe 2.0 و خطای ۳٫۶ درصدی مدل‌های Muse و ElevenLabs، برتری قابل توجهی را به نمایش می‌گذارد. در این میان، تنها مدل Cartesia Ink-2 با زمان ۰٫۰۷ ثانیه سرعتی بالاتر دارد، اما با نرخ خطای ۴٫۰ درصدی، دقت کمتری را نشان می‌دهد.
دسترسی به بالاترین سطح فناوری هزینه‌های بیشتری را نیز به همراه دارد. مایکروسافت مدل جدید خود را با نرخ ۰٫۵۴ دلار به ازای هر ساعت صدا یا ۹٫۰۰ دلار برای هر ۱٬۰۰۰ دقیقه ارائه کرده است. این قیمت، سرویس جدید را در بالاترین رده قیمتی بازار در کنار مدل Gemini 3.5 Transcribe Live با قیمت ۹ دلار قرار می‌دهد.
هزینه اعلام‌شده برای استفاده بلادرنگ، بالاتر از نرخ ۶٫۵۰ دلاری مدل‌های ElevenLabs Scribe v2 Realtime و Deepgram Flux است. این مبلغ بیش از دو برابر هزینه ۴ دلاری Cartesia Ink-2 و سه‌برابر تعرفه ۳ دلاری Muse Voice Transcribe ارزیابی شده است. در عوض، نسخه MAI-Transcribe-2 با قیمت اقتصادی‌تر ۰٫۱۰ دلار در هر ساعت معادل ۱٫۶۷ دلار برای هر ۱٬۰۰۰ دقیقه صدا در دسترس توسعه‌دهندگان قرار دارد تا سازمان‌ها بر اساس اولویت خود میان پردازش زنده یا آفلاین انتخاب کنند.
سوالات متداول
مدل MAI-Transcribe-2-Streaming چه ویژگی‌هایی دارد؟
این مدل با نرخ خطای ۲٫۵ درصد و زمان پاسخ‌دهی ۰٫۱۳ ثانیه، دقت و سرعت بالایی را در پردازش صوت ارائه می‌دهد.
چگونه می‌توان از MAI-Transcribe-2 استفاده کرد؟
این مدل با نرخ ۰٫۵۴ دلار به ازای هر ساعت صدا یا ۹٫۰۰ دلار برای هر ۱٬۰۰۰ دقیقه در دسترس است.
چه رقبایی برای MAI-Transcribe-2 وجود دارد؟
مدل‌های Grok Voice Transcribe 2.0، Muse Voice Transcribe و ElevenLabs Scribe v2 Realtime از جمله رقبای اصلی این مدل هستند.
آیا MAI-Transcribe-2 سریع‌تر از رقبای خود عمل می‌کند؟
بله، این مدل در مقایسه با بسیاری از رقبای خود، زمان پاسخ‌دهی کمتری دارد.
آیا هزینه استفاده از MAI-Transcribe-2 بالاست؟
هزینه این مدل بالاتر از برخی رقبای دیگر است، اما با توجه به دقت و سرعت آن، ارزش سرمایه‌گذاری را دارد.
