MAI-Transcribe-2 de Microsoft AI bat OpenAI, Google et ElevenLabs sur le prix et la vitesse
Microsoft AI a dévoilé jeudi MAI-Transcribe-2, un nouveau modèle de reconnaissance vocale que l'entreprise présente comme plus rapide, plus précis et moins cher que tout ce que proposent actuellement OpenAI, Google ou ElevenLabs. Le prix annoncé, 10 cents par heure d'audio, marque une chute spectaculaire: le premier modèle de cette lignée, lancé il y a seulement cinq mois, coûtait 0,36 dollar de l'heure, soit une baisse d'environ 72% avec ce tarif de lancement. Le modèle transcrit désormais 60 langues, contre 43 pour MAI-Transcribe-1.5 en juin et 25 pour la version originale d'avril. Il est disponible sur Microsoft Foundry, la place de marché de modèles de l'entreprise, ainsi que dans l'environnement de test MAI Playground. Microsoft affirme l'avoir conçu pour l'audio réel et imparfait des entreprises, bruit de fond, enregistrements de mauvaise qualité, voix qui se chevauchent, plutôt que pour des conditions de studio. Le modèle intègre nativement la séparation des locuteurs, l'horodatage au mot près, un système de biais par mots-clés pour mieux reconnaître le jargon métier, la détection automatique de la langue, un mode verbatim pour les besoins juridiques et de conformité, un mode épuré pour les sous-titres, ainsi qu'une gestion du changement de langue en cours de phrase, notamment pour le hinglish et le spanglish. Sur le benchmark multilingue FLEURS, conçu par Google en 2022 à partir d'environ 2000 phrases lues par langue dans 102 langues, MAI-Transcribe-2 revendique la première place avec un taux d'erreur moyen de 5,2%, en hausse par rapport aux 3,7% affichés par la version précédente en juin, une conséquence probable de l'élargissement du nombre de langues couvertes.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de VentureBeat AI. Lire l'article original →
Cette baisse de prix change concrètement la donne pour les entreprises qui traitent de gros volumes audio. Pour une banque ou un opérateur télécom transcrivant 100 000 heures d'appels par an, un volume courant pour ce type d'acteurs, la facture passe de 36 000 à 10 000 dollars. À ce niveau de coût, la transcription cesse d'être une dépense scrutée et devient un service quasiment gratuit à intégrer partout. Les fonctionnalités habituellement facturées en supplément par des acteurs spécialisés, comme la séparation des locuteurs ou l'horodatage précis, sont ici incluses d'office, ce qui met une pression directe sur les tarifs de l'ensemble du secteur, des géants comme Google et OpenAI jusqu'aux spécialistes comme ElevenLabs.
Cette sortie illustre surtout une stratégie plus large de Microsoft, qui construit depuis deux ans ses propres modèles de pointe modalité par modalité, pour les substituer progressivement aux technologies d'OpenAI dans ses produits. La transcription est le domaine où cette bascule progresse le plus vite, et MAI-Transcribe-2 en est la démonstration la plus aboutie à ce jour. Elle montre comment l'entreprise la plus valorisée du secteur logiciel entend s'affranchir, du moins partiellement, du partenaire dans lequel elle a pourtant investi 13 milliards de dollars. Reste que le benchmark FLEURS repose sur de la lecture de phrases isolées et non sur de vraies conversations, une limite que les acheteurs professionnels devront garder à l'esprit avant de juger ces performances représentatives d'un usage réel.
Les entreprises européennes traitant de gros volumes d'appels pourraient bénéficier de cette baisse de prix, mais aucune entreprise ou institution française ou européenne n'est directement impliquée.