Microsoft เปิด MAI-Transcribe-2 ถอดเสียงเร็วกว่า OpenAI 10 เท่า ราคาชั่วโมงละ 0.10 ดอลลาร์

Microsoft AI เปิดตัว MAI-Transcribe-2 เมื่อวันที่ 3 กันยายน 2026 โดยระบุว่าเป็นโมเดลรู้จำเสียงพูดที่เร็วที่สุด แม่นที่สุด และถูกที่สุดในโลก ทำอันดับหนึ่งบนเบนช์มาร์ก FLEURS ครอบคลุม 60 ภาษา ด้วยค่า word error rate เฉลี่ย 5.2% และอยู่อันดับสองบนกระดาน word-error-rate ของ Artificial Analysis

ด้านความเร็ว Microsoft อ้างว่าเร็วกว่า GPT-Transcribe ของ OpenAI ถึง 10 เท่า เร็วกว่า Scribe v2 ของ ElevenLabs 7 เท่า และเร็วกว่า Gemini 3.5 Transcribe ของ Google 5 เท่า โดยยังให้ความแม่นยำสูงกว่า

ราคาคือหมัดหลัก โมเดลนี้ตั้งราคาที่ 0.10 ดอลลาร์ต่อชั่วโมงเสียง ซึ่งเป็นราคาโปรโมชันจนถึงสิ้นปี 2026 ต่ำกว่าราคาของ MAI-Transcribe-1 และ 1.5 ที่ 0.36 ดอลลาร์ต่อชั่วโมงถึงราว 72% VentureBeat ยกตัวอย่างว่าองค์กรที่ประมวลผลเสียงคอลเซ็นเตอร์ปีละ 100,000 ชั่วโมง ค่าใช้จ่ายจะลดจาก 36,000 ดอลลาร์เหลือ 10,000 ดอลลาร์

ฟีเจอร์ที่มาพร้อมกันได้แก่ diarization แยกผู้พูด timestamp ระดับคำ keyword biasing ระบุภาษาอัตโนมัติ รองรับการสลับภาษากลางประโยค และเลือกรูปแบบผลลัพธ์ได้ทั้งโหมด verbatim และ clean การรองรับภาษาก็ขยายเร็วมาก จาก 25 ภาษาในเดือนเมษายน เป็น 43 ภาษาในเดือนมิถุนายน และ 60 ภาษาในรุ่นนี้

ในเชิงยุทธศาสตร์ นี่คือโมเดลที่สามที่ Microsoft ปล่อยออกมาภายใน 5 เดือน สะท้อนการเร่งพัฒนาโมเดลของตัวเองหลังปรับข้อตกลงความร่วมมือกับ OpenAI ใหม่ในเดือนตุลาคม 2025 และเมษายน 2026