Meta har nu sat prisen for transskription

Tallet der tæller

Meta Superintelligence Labs lancerede Muse Voice Transcribe den 1. september, og samme dag tog modellen førstepladsen på Artificial Analysis' uafhængige streaming-rangliste for tale-til-tekst.

Modellen samler to opgaver, som de fleste transskriptions-pipelines hidtil har kørt som adskilte trin: talergenkendelse, der viser hvem der taler, og endpointing, der opdager når nogen er færdig med at tale. Meta har trænet den på mere end 70 sprog, hvoraf 25 er valideret ved lanceringen, og bygget den til at håndtere 20 eller flere samtidige talere, optagelser på over en time og talere, der skifter sprog midt i en samtale uden en manuel nulstilling. Adgang går gennem Metas Model API til 3 USD per 1.000 lydminutter, hvilket svarer til 0,18 USD per time transskriberet lyd.

Hvad virksomheder har betalt indtil nu

De fleste virksomheder, der kører opkaldstransskription, mødenoter eller kundeservicelyd gennem en API, betaler i dag reelt for to ting på en gang, selvom fakturaen kun viser en linje: selve transskriptionen, og den ekstra bearbejdning, der gør den brugbar.

OpenAIs Whisper API oplyser en pris for ren transskription på omkring 0,006 USD per minut, hvilket svarer til cirka 0,36 USD i timen, hvor talergenkendelse typisk håndteres som et separat trin eller et andet værktøj. Azure Speech og Google Speech-to-Text prissætter deres standardniveauer i et lignende spand, ofte tæt på 1 USD i timen, før talergenkendelse tilføjes som egen funktion eller eget prisniveau. Hvert af disse opsæt tvinger en virksomhed til at betale to gange og integrere to gange for et resultat, som Meta nu leverer som en model til en pris.

Euro-regnestykket, cirka

Omregnes Metas timepris til euro, lander tallet, som et finansteam i EU eller Storbritannien reelt kan holde op mod en faktura, på omkring 0,17 euro i timen.

Den omregning bruger en groft dollar-euro kurs på omkring 0,92 og flytter sig med markedet, så den bør behandles som et pejlemærke, ikke et faktureringsklart tal. Med samme regnestykke lander prisen per 1.000 minutter på omkring 2,76 euro. Enhver virksomhed, der i dag betaler markant mere for transskription, talergenkendelse og endpointing tilsammen, har for første gang en offentlig referencepris at holde sin egen leverandøraftale op imod, i stedet for bare et tilbud fra en sælger.

Købe, bygge selv eller skifte

Det valg, ethvert EU- eller UK-team med lydpipelines står overfor, er ikke om Metas model er teknisk imponerende, men om den nuværende leverandørstak stadig fortjener sin overpris, nu hvor talergenkendelse og endpointing ikke længere kræver separate værktøjer.

Modellen bærer allerede rigtig last inde i Metas egne produkter, den driver diktatfunktioner på Mac og virksomhedens eget Muse Code, et signal om at systemet er hærdet i produktion og ikke er en demo bygget til en rangliste. For et team, der betaler en overpris for at kombinere transskription, talermærker og talepause-genkendelse fra tre forskellige leverandører, er den kombination af offentlig pris og reel produktionsbrug den del, der er værd at handle på. Diktatfunktionen på Mac er blot stedet, hvor de fleste først vil lægge mærke til modellen bag.

Hvorfor vi gør dette

Vi gør dette for alle, der forsøger at følge med i, hvad teknologi gør ved vores liv. De mennesker, der bygger den, og de mennesker, det sker for. Servola Journal findes, så det, vi lærer, tilhører dem alle.

Ingen betaler os for det. Ingen annoncer, ingen betalingsmur, gratis for alle. Vi tror simpelthen, at det at forstå, hvad der sker med os alle, ikke bør afhænge af, hvem der har råd til at betale for det.

Hvis dette gav dig noget i dag, så sig til, at vi skal blive ved. Følg os, giv et like, eller skriv en positiv kommentar. Vi læser hver eneste en, og de er det, der holder os i gang.

Læs videre: Anden LED-rettelse, CNILs indvending stadig ubesvaret  |  Texas' Solostrategi Mod Meta Runder 2 Milliarder