MAI-Transcribe-2 متاح الآن: عرض مايكروسوفت بـ0.10 دولار في الساعة للسيطرة على تقنية تحويل الكلام إلى نص

MAI-Transcribe-2 هو النموذج الذي تراهن عليه Microsoft AI لتحويل تحويل الكلام إلى نص إلى سلعة أساسية بدلاً من ميزة متميزة، والأرقام التي صدر بها مصممة لدعم هذه الحجة. تم إطلاقه في 3 سبتمبر 2026 في معاينة عامة على Microsoft Foundry وMAI Playground وواجهات برمجة التطبيقات الخاصة بـ Microsoft، وهو ثالث نموذج كلام من Microsoft خلال خمسة أشهر — بعد MAI-Transcribe-1 في أبريل بسعر 0.36 دولار لكل ساعة صوتية وMAI-Transcribe-1.5 في يونيو — والأول الذي يتفوق على كل منافس مُدار يذكره في المقياسين اللذين تعتمدهما الفرق فعليًا عند الشراء. على لوحة صدارة معدل خطأ الكلمات غير المتدفق من Artificial Analysis، يحتل المركز الثاني بنسبة 2.0% AA-WER، وبسرعة تقارب 411× الوقت الفعلي، وهي أيضًا الثانية، مما يضعه معًا على حدود باريتو للدقة والسرعة: على تلك اللوحة، لا يوجد نموذج أكثر دقة وأسرع في الوقت نفسه. سعر الإطلاق أقل بنسبة 72% تقريبًا من سعر سابقه.

إن عبارة "أسرع وأدق وأرخص نموذج للتعرف على الكلام في العالم" هي العنوان الرئيسي الذي تروّج به مايكروسوفت بنفسها للإصدار، ويستحق أن يُقرأ مع الأخذ بالاعتبار العلامات التي تحملها المادة الأصلية. هذه قصة الإطلاق كما حدثت فعلًا، مع تصنيف ادعاءات البائع وفصل الأجزاء التي لا تزال بحاجة إلى إثبات.

ما الذي أصدرته مايكروسوفت فعليًا

MAI-Transcribe-2 هو نموذج نسخ يعمل على التسجيلات المسبقة وبأسلوب المعالجة الدفعية، يستهدف تحديدًا الصوتيات الطويلة — الاجتماعات، والمكالمات، وأرشيفات الوسائط، وتسجيلات مراكز الاتصال. تضعه مايكروسوفت في الموضع المخصّص لأعباء العمل التي يهيمن عليها معدل الإنتاجية والتكلفة لكل دقيقة. وهو ينسخ بـ60 لغة مع تحديد تلقائي للغة، ويتضمّن فصلًا للمتحدثين ينسب الكلمات إلى الشخص الصحيح، ويُرجع طوابع زمنية على مستوى الكلمة، ويدعم ترجيح الكلمات المفتاحية للأسماء والاختصارات ومصطلحات المجالات. يغطي أسلوبان قابلان للتهيئة الانقسام المعتاد: "verbatim" الذي يُبقي على الحشوات والبدايات الخاطئة من أجل محاضر بمستوى الامتثال، و"clean" الذي يزيل اضطرابات الكلام بغرض التسميات التوضيحية والملاحظات. وتشير مايكروسوفت أيضًا إلى التنقّل بين اللغات في الكلام المختلط مثل Hinglish وSpanglish، وإلى المتانة في التعامل مع الصوتيات الواقعية المزعجة.

قصة التوفر لا تقل أهمية عن قائمة الميزات. مايكروسوفت لا تحصر هذا خلف حزمة خطاب المؤسسات: النموذج قابل للتجربة اليوم من MAI Playground ويُقدَّم عبر Microsoft Foundry في معاينة عامة، مع توثيق Foundry ضمن خدمة Azure AI Speech. هذا خيار توزيع متعمد — ضع النموذج المتقدم حيث يمكن للمطوّر الوصول إليه بمفتاح، لا حيث يجب أن توافق دورة مبيعات المؤسسات أولاً. لم تنشر مايكروسوفت الأوزان، ولا شيء في مواد الإطلاق يشير إلى أنها ستفعل.

قراءة العنوان حرفيًا

"الأسرع، الأكثر دقة، والأرخص في العالم" ثلاث ادعاءات متفاوتة القوة، ومنشور الإطلاق نفسه يخفّض اثنتين منها بهدوء. النسخة الصادقة من كل منها:

• الدقة — على لوحة متصدّري Artificial Analysis، يحتلّ MAI-Transcribe-2 المرتبة الثانية بنسبة 2.0% في AA-WER، وليس الأولى؛ فنصّ Microsoft نفسه يقول إنه الثاني. عبارة "الأكثر دقة" لا تصمد إلا إذا قرأتها على أنها "بين واجهات برمجة التطبيقات المُدارة للدفعات التي تصل إلى هذا المستوى،" وحتى عندئذٍ فهي ادّعاءٌ حول نموذج عمره أربعة أيام، وليس تاجًا مستقرًا. وتذكر Microsoft بشكل منفصل أنه يحتل الأول في معيار FLEURS متعدد اللغات بمتوسط WER يبلغ 5.2% عبر لغاته الستين — وهذا الرقم مأخوذ من منشور إطلاق Microsoft، ولم يُعَد اشتقاقه بشكل مستقل لكل لغة بعد.

• السرعة — وفقًا لتحليل Artificial Analysis، يعمل MAI-Transcribe-2 بسرعة تبلغ حوالي 411× الزمن الفعلي، ويحتل المركز الثاني على تلك اللوحة. ومن المثير للفضول أن إعلان Microsoft الرسمي لا يذكر الرقم المطلق أبدًا؛ بل يستهل بدلًا من ذلك بمضاعفات نسبية أكثر قبولًا — «معالجة أسرع حتى 10 مرات من المنافسين الرائدين، خاصةً للصوت الطويل» — وبالتحديد أسرع 10 مرات من GPT-Transcribe من OpenAI، وأسرع 7 مرات من Scribe v2 من ElevenLabs، وأسرع 5 مرات من Gemini 3.5 Transcribe. هذه النسب هي تأطير Microsoft لبيانات Artificial Analysis نفسها، والقيم الأساسية مهمة: فعبارة «أسرع 5 مرات من Gemini 3.5 Transcribe» تبدو فجوة متواضعة حتى تترجمها إلى دقائق من الحوسبة لكل ساعة من الصوت.

• الأرخص — هذا صحيح فقط ضمن حدّين تذكرهما مايكروسوفت بوضوح. سعر $0.10 هو «عرض لفترة محدودة حتى نهاية العام»، ولا يُفصَح عن أي سعر قياسي بعد انتهاء العرض الترويجي في أي مكان من مواد الإطلاق. وهو الأرخص بين واجهات برمجة التطبيقات المُدارة عالية الدقة؛ غير أن نموذجًا مفتوحًا يُستضاف ذاتيًا مثل Whisper Large v3 Turbo ما زال ينسخ الصوت إلى نص مقابل تكلفة الكهرباء فعليًا. القول بأنها سلعة أساسية حقيقي — لكنه أضيق من العنوان الرئيسي.

ماذا يوفّر سعر 1.67 دولار لكل 1,000 دقيقة؟

بسعر 0.10 دولار لكل ساعة صوتية، يصل MAI-Transcribe-2 إلى حوالي 1.67 دولار لكل 1,000 دقيقة من الصوت. والمقارنة التي تجعل الرقم ملموسًا هي مقارنته بواجهات النسخ المُدارة الأخرى التي تتنافس في الدقة. يُسعَّر GPT-Transcribe بـ 4.50 دولار لكل 1,000 دقيقة؛ بينما تُحتسب طبقة التسجيل المسبق لـ Gemini 3.5 Transcribe على نحو يبلغ تقريبًا 5 دولارات لكل 1,000 دقيقة وفق تسعير Google القائم على الرموز؛ أما ElevenLabs' Scribe v2 فيُسعَّر أعلى من ذلك. وعلى 1,000 ساعة من الصوت شهريًا — وهو عبء عمل جاد ولكنه ليس ضخمًا لمراكز الاتصال أو الوسائط — فإن الفرق بين MAI-Transcribe-2 بسعر التبكير وGPT-Transcribe بسعر القائمة هو في حدود 170 دولارًا شهريًا، كل شهر، قبل أي اختلاف في الدقة. وتلك هي فجوة السعر التي تجعل النسخ يتوقف عن كونه بندًا تعمل الفرق على تحسينه ليصبح بندًا يتجاهلونه.

تحفّظان جديران بأن يُذكرا معًا في النفَس نفسه. أولًا: السعر الترويجي ما هو إلا تجربة تسعير إلى أن يثبت غير ذلك؛ فالفرق التي تبني منتجًا على سعر 0.10 دولار ينبغي أن تعلم أن السعر القياسي غير مُعلَن، وأن الرقم الصادق للتخطيط لميزانية 2027 يقع بين عرض الإطلاق وأي سعرٍ تعلنه Microsoft عند انتهاء العرض. ثانيًا: عبارة «الأرخص ضمن هذه الفئة من الدقة» لا تقول شيئًا عن التكلفة الإجمالية للملكية؛ فالنموذج متاح عبر API فقط، لذا فإن المقارنة الحاسمة للفرق ذات الأحجام الكبيرة هي بين 1.67 دولار لكل 1,000 دقيقة وبين التكلفة الكاملة لتشغيل حزمة تقنية خاصة بها من النماذج مفتوحة الأوزان، لا مجرد المقارنة مع واجهات API أخرى.

عند ضغطها في لوحة نتائج، تبدو مواضع الإطلاق على النحو التالي — كل رقم أدناه يحمل علامة المصدر المرفقة به في النص أعلاه.

ما لم يُثبت بعد

على الرغم من كل التحديد في ادعاءات الإطلاق، هناك ثلاثة أمور تظل مفتوحة حقًا. الأول هو البث المباشر: MAI-Transcribe-2 نموذج يعمل بالدفعات، وقصة السرعة لدى مايكروسوفت تدور حول إنتاجية الملفات، ولم يتم الإعلان عن أي منتج (SKU) للاستخدام الفوري أو عرضه — فمعامل «411×» ليس رقمًا لزمن استجابة النسخ المباشر. الثاني هو جودة فصل المتحدثين: تخصيص المتحدث مرفق ضمن الحزمة، لكن مايكروسوفت لا تنشر أي معدل خطأ لفصل المتحدثين، وهذه هي الميزة الأكثر ترجيحًا لأن تبدو أسوأ في الاختبارات المستقلة مقارنة بمعدل خطأ الكلمات (WER). الثالث هو التحليل متعدد اللغات: متوسط واحد لـ FLEURS عبر 60 لغة يمكن أن يُخفي تباينًا كبيرًا بين اللغات، ومايكروسوفت لم تنشر الجدول الخاص بكل لغة على حدة. كلٌّ من هذه الأسباب يجعل القصة غير منتهية في اليوم الرابع.

أين يترك مكدس النسخ لديك

لا يتطلب أيّ من هذا اختيار MAI-Transcribe-2 اليوم، وهذا بالتحديد هو السبب في أن التسعير يستحق اهتمام الفرق التي ليست في السوق للبحث عن مورّد جديد. نادرًا ما يكون تحويل الكلام إلى نص هو نهاية خط المعالجة — فالنصوص تُلخَّص وتُتَّخذ بشأنها إجراءات وتُبحث وتُوجَّه، وتلك الطبقة النهائية هي حيث يبرع الإعداد متعدد النماذج. منصة مثل OrcaRouter موجودة لتلك الطبقة من البنية: واجهة برمجية واحدة عبر أكثر من 200 نموذج، وأسعار المورّدين المدرجة تُمرَّر بهامش ربح 0%، وتبديل تلقائي عند الفشل، ولغة توجيه متخصصة تتيح للنص أن يغذّي نموذجًا مختلفًا لكل عبء عمل — محاضر الاجتماعات إلى مُلخِّص واحد، ومراجعة الامتثال إلى آخر — دون تكامل ثانٍ. MAI-Transcribe-2 نفسه ليس في هذه القائمة اليوم؛ فهو يعمل على واجهة Microsoft الخاصة والمنصات الخارجية التي تُدرجها Microsoft. لكن السعر السلعي الذي وضعه للتو هو أقوى حجة حتى الآن لبناء الجزء الذي يعلو النص ليكون غير مرتبط بنموذج معيّن.

سعر الإطلاق هو ما يكشف الحقيقة. لا تحاول Microsoft الفوز في مجال تحويل الكلام إلى نص بالاعتماد على الميزات وحدها؛ بل تحاول أن تجعل الدقة العالية رخيصة إلى درجة أن يتوقف هذا التصنيف عن كونه بندًا مستقلًا في الميزانية. يستحق MAI-Transcribe-2 الاهتمام الذي يحظى به؛ فقط اقرأ «الأسرع والأكثر دقة والأرخص في العالم» مع العلامات النجمية الثلاث المرفقة: الثاني على AA-WER، وتسعير ترويجي حتى نهاية العام، وقصة بثٍ لم تُروَ بعدُ.