Microsoft AI resmi merilis MAI-Transcribe-2, model pengenalan suara yang diklaim lebih cepat, akurat, dan murah dibanding produk sejenis milik kompetitor. Tarif perdana yang ditawarkan mencapai US$ 0,10 per jam audio, atau turun sekitar 72 persen dari harga model sebelumnya yang dipatok US$ 0,36 per jam saat dirilis lima bulan lalu.
Bagi perusahaan besar yang memproses 100.000 jam rekaman pusat panggilan per tahun, penghematannya signifikan. Tagihan transkripsi mereka bisa turun dari US$ 36.000 menjadi hanya US$ 10.000. Pada titik harga ini, biaya transkripsi bukan lagi pos pengeluaran yang diperdebatkan dalam anggaran perusahaan.
Banting Harga di Tengah Strategi Besar Microsoft
Peluncuran ini terjadi saat Microsoft tengah menjalankan strategi yang sulit dibayangkan dua tahun lalu: membangun model AI kelas frontier sendiri per modalitas, lalu menggantinya secara bertahap ke produk yang selama ini berjalan di teknologi OpenAI. Transkripsi menjadi uji coba tercepat dari rencana tersebut.
Langkah ini juga menjadi sinyal bahwa Microsoft ingin berkompetisi di industri AI tanpa harus bergantung penuh pada mitra yang telah mereka danai dengan investasi lebih dari US$ 13 miliar. Kepala Eksekutif Microsoft AI, Mustafa Suleyman, sebelumnya menyebut tim kecil berisi 10 orang berhasil mengembangkan model pertama dengan biaya GPU setengah dari model state-of-the-art lain.
Fitur Bundling yang Menekan Layanan Spesialis
MAI-Transcribe-2 mendukung transkripsi dalam 60 bahasa, naik dari 43 bahasa di versi sebelumnya. Model ini juga dirancang untuk menangani audio berkualitas rendah, seperti rekaman dengan latar bising atau percakapan yang tumpang tindih.
Microsoft membundle sejumlah fitur premium ke dalam tarif dasar, yang biasanya dijual terpisah oleh penyedia layanan spesialis dengan harga mahal. Fitur-fitur tersebut meliputi:
- Diarisasi pembicara untuk memisahkan siapa berbicara apa dalam rekaman multi-orang.
- Timestamp tingkat kata untuk penanda waktu presisi pada setiap kata.
- Keyword biasing agar model tidak keliru mengenali istilah domain seperti nama obat atau kode produk.
- Identifikasi bahasa otomatis tanpa perlu deklarasi awal.
- Mode verbatim dan clean untuk kebutuhan legal atau pembuatan catatan rapi.
- Code switching untuk percakapan yang berpindah bahasa di tengah kalimat, termasuk Hinglish dan Spanglish.
Dengan tarif US$ 0,10 per jam, Microsoft memposisikan diri di bawah atau setara dengan harga kontrak volume tinggi yang ditawarkan pemain spesialis seperti Deepgram atau AssemblyAI. Mereka juga menyasar pasar yang selama ini dilayani perusahaan khusus transkripsi medis dan legal.
Klaim Kecepatan dan Akurasi untuk Pasar Enterprise
Dalam pengujian benchmark independen Artificial Analysis, model ini menempati peringkat kedua untuk akurasi di belakang model milik Alibaba. Namun kecepatannya disebut lima hingga sepuluh kali lebih cepat dibanding produk OpenAI, ElevenLabs, dan Google, menjadikannya model terdepan dalam efisiensi biaya.
Tenaga penjualan Microsoft membidik perusahaan yang ingin menghindari risiko keamanan data jika memakai model asal China. Tawaran mereka: akurasi sebanding, inferensi lebih cepat, harga murah, dan vendor yang sudah dipercaya tim kepatuhan perusahaan.
Salah satu keunggulan yang diandalkan adalah skor word error rate (WER) 5,2 persen di benchmark FLEURS untuk 60 bahasa. Namun para pembeli teknis disarankan meminta rincian akurasi per bahasa, karena rata-rata bisa menutupi performa buruk di bahasa dengan sumber daya rendah.
Pertanyaan yang Tersisa bagi Calon Pembeli
Kendati klaimnya agresif, peluncuran ini menyisakan sejumlah pertanyaan praktis. Harga US$ 0,10 disebut sebagai penawaran peluncuran tanpa tanggal berakhir yang jelas. Informasi tentang dukungan transkripsi real-time untuk voice agent juga belum diungkap.
Yang lebih krusial, Microsoft belum merilis metrik kualitas diarisasi pembicara dan detail kebijakan data untuk pasar teregulasi. Perusahaan di sektor medis, hukum, dan keuangan perlu menanyakan langsung soal residensi data, masa penyimpanan, dan apakah audio yang diproses akan digunakan untuk melatih model di masa depan.
