Nhóm 10 người của Microsoft xây dựng mô hình nhận dạng giọng nói rẻ hơn và nhanh hơn OpenAI, Google

Mô hình có tên MAI-Transcribe-2. Microsoft AI, bộ phận do Mustafa Suleyman đứng đầu, đã phát hành nó vào ngày 3 tháng 9 với giá 0,10 USD mỗi giờ âm thanh — áp dụng đến hết năm 2026. Phiên bản trước, MAI-Transcribe-1.5, có giá 0,36 USD mỗi giờ. Mức giảm giá 72% này không phải là làm tròn tiếp thị. Một trung tâm liên lạc xử lý 100.000 giờ âm thanh mỗi năm trước đây phải trả 36.000 USD cho mô hình cũ; cùng khối lượng công việc đó nay chỉ tốn 10.000 USD.

Hiệu suất chuẩn (benchmark) mới là điều khiến mức giá này trở nên bất thường. Trong đánh giá đa ngôn ngữ FLEURS, MAI-Transcribe-2 xếp hạng nhất trên 60 ngôn ngữ với tỷ lệ lỗi từ trung bình 5,2% — tốt hơn GPT-Transcribe của OpenAI, Gemini 3.5 Transcribe của Google, ElevenLabs Scribe v2 và Whisper V3-Large của Meta. Trên bảng xếp hạng Artificial Analysis, nơi theo dõi cả độ chính xác và độ trễ, mô hình này đứng thứ hai tổng thể và xác định điều mà các nhà nghiên cứu gọi là biên giới Pareto — ranh giới mà ngoài đó bạn không thể cải thiện một chỉ số mà không làm giảm chỉ số khác. Mô hình được huấn luyện để nằm ở rìa hiệu quả của biên giới đó, chứ không phải để đuổi theo đỉnh của bất kỳ bảng xếp hạng chỉ số đơn lẻ nào.

Tốc độ là tuyên bố thứ hai đáng xem xét. Microsoft cho biết MAI-Transcribe-2 xử lý âm thanh nhanh hơn 10 lần so với GPT-Transcribe, nhanh hơn 7 lần so với ElevenLabs Scribe v2 và nhanh hơn 5 lần so với Gemini 3.5 Transcribe. Đối với âm thanh dài — phiên âm podcast, lời khai pháp lý, ghi chú lâm sàng — sự khác biệt đó quyết định liệu một quy trình làm việc chạy trong vài giây hay vài phút. Mô hình cũng thực hiện phân tách người nói (xác định ai nói khi nào), dấu thời gian cấp từ, điều chỉnh từ khóa cho thuật ngữ chuyên ngành và hỗ trợ chuyển đổi mã cho các ngôn ngữ pha trộn giữa câu, cụ thể trích dẫn Hinglish và Spanglish như các ví dụ đã được kiểm tra.

Nhóm đã xây dựng mô hình này đáng chú ý tương xứng với những gì họ tạo ra. Microsoft mô tả nhóm nòng cốt gồm 10 người, hoạt động với tối thiểu quan liêu nội bộ và được hỗ trợ bởi các nhóm lớn hơn phụ trách thu thập dữ liệu và quản lý nhà cung cấp. Tuyên bố về hiệu suất GPU kết quả là cụ thể: MAI-Transcribe-2 chạy với chi phí GPU bằng một nửa so với các mô hình hiện đại cạnh tranh. Liệu điều đó có đúng dưới tải doanh nghiệp quy mô lớn hay không thì không thể xác minh từ thông báo, nhưng tuyên bố về kiến trúc đủ chính xác để thử nghiệm.

Mô hình hiện có sẵn trên Microsoft Foundry, MAI Playground và Open Router — nghĩa là truy cập không yêu cầu hợp đồng Azure hay mối quan hệ doanh nghiệp với Microsoft. Sự rộng khắp trong phân phối đó là có chủ đích. Việc Microsoft AI thúc đẩy các API trực tiếp đến nhà phát triển là một phần của sự tái định vị rộng hơn sau khi tái cấu trúc quan hệ đối tác với OpenAI. Các sửa đổi vào tháng 10 năm 2025 và tháng 4 năm 2026 đã loại bỏ các thỏa thuận độc quyền và chia sẻ doanh thu vốn định hình mối quan hệ từ năm 2019. Microsoft hiện có động lực trực tiếp để cạnh tranh ở lớp mô hình thay vì chỉ phân phối đầu ra của OpenAI.

Mức giá 0,10 USD được đánh dấu là chỉ áp dụng đến hết năm 2026. Giá tiêu chuẩn sau ngày đó chưa được tiết lộ. Những người mua đang đánh giá MAI-Transcribe-2 cho khối lượng công việc sản xuất đang định giá một sản phẩm mà họ không biết chi phí cho năm dương lịch 2027. Đó là một rủi ro đáng nêu rõ, ngay cả khi mức giá hiện tại khiến mô hình trở nên hấp dẫn so với mọi lựa chọn thay thế hiện có.

Thẻ: trí tuệ nhân tạo, Google, OpenAI, microsoft, ElevenLabs, MAI-Transcribe-2