‏MAI-Transcribe-2 مایکروسافت: سریع‌تر، دقیق‌تر، ارزون‌تر

مایکروسافت از MAI-Transcribe-2 رونمایی کرده، نسل تازه‌ی مدل تبدیل گفتار به متنش. تیم مایکروسافت می‌گه این مدل نه‌فقط توانمندترین مدل خودشونه، بلکه از مدل‌های رقیب مثل Gemini 3.5 Transcribe و GPT-Transcribe و Whisper V3-Large و ScribeV2 هم جلو زده و با طیف گسترده‌تری از صداهای واقعی کنار میاد.

عددهایی که اعلام کردن این‌هاست: روی بنچمارک FLEURS تو ۶۰ زبون اول شده، با میانگین Word-Error-Rate (یعنی درصد کلمه‌هایی که اشتباه رونویسی می‌شن) برابر ۵٫۲ درصد. تو Artificial Analysis هم مرز پارتوی دقت و تأخیر رو تعریف می‌کنه، یعنی مدلی نیست که هم‌زمان هم دقیق‌تر و هم سریع‌تر باشه، و تو جدول Word-Error-Rate همون‌جا دومه. قیمتش هم ساعتی ۰٫۱۰ دلار به ازای هر ساعت صداست.

چیزی که این نسخه اضافه کرده فقط دقت نیست. speaker diarization (یعنی تشخیص اینکه هر جمله رو کی گفته) گوینده‌ها رو از هم جدا می‌کنه و هر کلمه رو به آدم درستش نسبت می‌ده. timestamp در سطح کلمه هم زمان دقیق هر کلمه رو می‌ده که برای جست‌وجو، ناوبری و ادیت به کار میاد. keyword biasing کمک می‌کنه مدل اصطلاح‌های تخصصی، مخفف‌ها و اسم‌ها رو درست بشنوه، چیزهایی که فقط از روی متن اطراف سخت تشخیص داده می‌شن.

سبک رونویسی هم قابل تنظیمه. حالت verbatim دقیقاً همون چیزی رو می‌نویسه که گفته شده، با کلمه‌های پرکننده و جمله‌های نیمه‌کاره، که برای کارهای انطباق و تحلیل به درد می‌خوره. حالت clean این‌ها رو حذف می‌کنه تا زیرنویس و یادداشت خوانا دربیاد. code switching هم مکالمه‌هایی که وسط حرف بین دو زبون جابه‌جا می‌شن (مثل Hinglish و Spanglish) رو پشتیبانی می‌کنه، و تشخیص خودکار زبون باعث می‌شه لازم نباشه از قبل زبون رو مشخص کنی.

کاربردهایی که مایکروسافت هدف گرفته از یادداشت‌برداری بالینی و مستندسازی حقوقی تا دسترس‌پذیری و زیرنویس‌گذاریه. ادعای دیگه‌شون اینه که مدل تو شرایط پرنویز هم کیفیتش رو نگه می‌داره، نه فقط تو ضبط‌های تمیز و کنترل‌شده. یادتون باشه همه‌ی این اعداد و مقایسه‌ها از خود مایکروسافت اومده و هنوز سنجش مستقلی کنارش نیست.

نکات کلیدی:

• MAI-Transcribe-2 روی بنچمارک FLEURS تو ۶۰ زبون اول شده، با میانگین نرخ خطای کلمه‌ی ۵٫۲ درصد.
• قیمت اعلام‌شده ۰٫۱۰ دلار به ازای هر ساعت صداست.
• پردازش صدای طولانی تا ۱۰ برابر سریع‌تر از مدل‌های رقیب اعلام شده.
• قابلیت‌های تازه: diarization، timestamp سطح کلمه، keyword biasing، دو سبک verbatim و clean، و code switching.
• رقبایی که باهاشون مقایسه شده: Gemini 3.5 Transcribe، GPT-Transcribe، Whisper V3-Large و ScribeV2.