A divisão de IA da Microsoft lançou o modelo de inteligência artificial MAI-Transcribe-2 para reconhecimento de fala. Segundo a desenvolvedora, ele é mais rápido, mais preciso e mais barato do que soluções similares da OpenAI, Google ou ElevenLabs. O custo para transcrever uma hora de gravação de áudio é de 10 centavos de dólar.
Fonte da imagem: microsoft.ai
O novo Microsoft MAI-Transcribe-2 suporta transcrição de voz em 60 idiomas, incluindo o russo. Em comparação, o MAI-Transcribe-1.5, lançado em junho, suportava 43 idiomas, enquanto a primeira versão, lançada em abril, suportava apenas 25. Ele é executado na plataforma Microsoft Foundry para desenvolvedores e no MAI Playground para testes. A empresa otimizou o modelo para lidar com áudio de baixa qualidade, comum em situações reais, incluindo ruído de fundo, gravações de baixa qualidade e fala sobreposta. O sistema identifica os falantes e adiciona marcadores de tempo no nível da palavra, permitindo a busca e facilitando a edição e a sincronização com vídeo. A entrada de palavras-chave também é suportada: você pode inserir uma lista de medicamentos, códigos de produtos ou nomes próprios para garantir que o modelo não os distorça. Transcrições literais e limpas também estão disponíveis; a transcrição de voz suporta transições de idioma perfeitas, mesmo no meio da frase.
No ranking FLEURS de 60 idiomas, o modelo Microsoft MAI-Transcribe-2 alcançou uma taxa média de erro de reconhecimento de palavras de 5,2%, conquistando o primeiro lugar. O MAI-Transcribe-1.5 alcançou uma taxa média de erro de 3,7% em junho, mas essa mudança dificilmente indica uma queda no desempenho — provavelmente se deve à expansão de sua cobertura de 43 para 60 idiomas. No ranking independente de Análise Artificial, o novo modelo subiu da terceira para a segunda posição em comparação com junho, ultrapassando o ElevenLabs Scribe v2 e ficando atrás apenas do Alibaba Fun-Realtime-ASR-preview.Por fim, a Microsoft afirma que o novo MAI-Transcribe-2 é dez vezes mais rápido que o OpenAI GPT-Transcribe, sete vezes mais rápido que o ElevenLabs Scribe v2 e cinco vezes mais rápido que o Google Gemini 3.5 Transcribe. E se a primeira versão do modelo de transcrição de fala da Microsoft, lançada em abril,Enquanto a versão com suporte para 25 idiomas custava US$ 0,36 por hora de gravação, a nova versão com suporte para 60 idiomas custa US$ 0,10 pela mesma quantidade de dados — embora a Microsoft tenha afirmado que este é o preço inicial, e ainda não se sabe se ele mudará no futuro.