Liczba, która ma znaczenie
Meta Superintelligence Labs uruchomiła Muse Voice Transcribe 1 września, a tego samego dnia model zajął pierwsze miejsce w niezależnym rankingu strumieniowego rozpoznawania mowy Artificial Analysis.
Model łączy dwa zadania, które większość procesów transkrypcji traktowała dotąd jako oddzielne etapy: rozpoznawanie mówców, które pokazuje, kto mówi, oraz endpointing, który wykrywa, kiedy ktoś przestał mówić. Meta wytrenowała go na ponad 70 językach, z czego 25 zwalidowano przy premierze, i zbudowała tak, by obsługiwał 20 lub więcej równoczesnych mówców, nagrania dłuższe niż godzina oraz mówców zmieniających język w połowie rozmowy bez ręcznego resetu. Dostęp działa przez Model API Mety w cenie 3 USD za 1000 minut audio, co daje 0,18 USD za godzinę transkrybowanego dźwięku.
Ile płaciły dotąd firmy
Większość firm obsługujących transkrypcję rozmów, notatki ze spotkań lub dźwięk z obsługi klienta przez API płaci dziś w praktyce za dwie rzeczy naraz, nawet jeśli faktura pokazuje jedną pozycję: samą transkrypcję oraz dodatkowe przetwarzanie, które czyni ją użyteczną.
API Whisper od OpenAI publicznie podaje cenę samej transkrypcji na około 0,006 USD za minutę, czyli około 0,36 USD za godzinę, przy czym rozpoznawanie mówców zwykle jest osobnym etapem lub osobnym narzędziem. Azure Speech i Google Speech-to-Text wyceniają swoje standardowe poziomy w podobnym przedziale, często blisko 1 USD za godzinę, zanim identyfikacja mówców zostanie dodana jako osobna funkcja lub osobny poziom cenowy. Każdy z tych układów zmusza firmę do podwójnej płatności i podwójnej integracji za wynik, który Meta dostarcza teraz jako jeden model w jednej cenie.
| Usługa | Cena za 1000 minut | Cena za godzinę | Rozpoznawanie mówców w cenie |
|---|---|---|---|
| Meta Muse Voice Transcribe | 3,00 USD | 0,18 USD | Tak, wbudowane |
| OpenAI Whisper API (tylko transkrypcja) | ~6,00 USD | ~0,36 USD | Nie, osobny etap |
| Typowy standardowy poziom rozpoznawania mowy w chmurze | ~15-24 USD | ~0,90-1,44 USD | Często osobny dodatek |
Rachunek w euro, w przybliżeniu
Po przeliczeniu godzinowej stawki Mety na euro liczba, którą dział finansowy w UE lub Wielkiej Brytanii może naprawdę zestawić z fakturą, wynosi około 0,17 euro za godzinę.
To przeliczenie korzysta z przybliżonego kursu dolar-euro blisko 0,92 i porusza się wraz z rynkiem, więc należy traktować je jako punkt odniesienia, a nie liczbę gotową do zamówienia. Ten sam rachunek daje cenę około 2,76 euro za 1000 minut. Każda firma, która dziś płaci wyraźnie więcej za transkrypcję, rozpoznawanie mówców i endpointing razem, ma po raz pierwszy publiczną cenę odniesienia, z którą może zestawić własną umowę z dostawcą, zamiast polegać tylko na słowie handlowca.
Kupić, zbudować samemu czy zmienić dostawcę
Decyzja, przed którą stoi każdy zespół w UE lub Wielkiej Brytanii obsługujący potoki audio, nie dotyczy tego, czy model Mety robi wrażenie technicznie, lecz tego, czy obecny zestaw dostawców wciąż zasługuje na swoją marżę, skoro rozpoznawanie mówców i endpointing nie wymagają już osobnych narzędzi.
Model już dźwiga realne funkcje wewnątrz własnych produktów Mety, napędza funkcje dyktowania na Macu oraz firmowe narzędzie Muse Code, co jest sygnałem, że system został zahartowany w środowisku produkcyjnym, a nie dostrojony pod demo na potrzeby rankingu. Dla zespołu, który płaci marżę za łączenie transkrypcji, etykiet mówców i wykrywania tur wypowiedzi od trzech różnych dostawców, to połączenie publicznej ceny i realnego użycia produkcyjnego jest tym elementem, na którym warto działać. Funkcja dyktowania na Macu to po prostu miejsce, w którym większość ludzi po raz pierwszy zauważy model stojący w tle.
Dlaczego to robimy
Robimy to dla wszystkich, którzy starają się nadążać za tym, co technologia robi z naszym życiem. Dla ludzi, którzy ją tworzą, i dla ludzi, którym się to przydarza. Servola Journal istnieje po to, żeby to, czego się uczymy, należało do nich wszystkich.
Nikt nam za to nie płaci. Żadnych reklam, żadnego paywalla, za darmo dla każdego. Po prostu wierzymy, że zrozumienie tego, co dzieje się z nami wszystkimi, nie powinno zależeć od tego, kogo na to stać.
Jeśli dzisiaj to coś ci dało, powiedz nam, żebyśmy kontynuowali. Śledź nas, zostaw polubienie albo napisz pozytywny komentarz. Czytamy każdy jeden, i to one sprawiają, że działamy dalej.
Czytaj dalej: Druga poprawka LED, ten sam zarzut CNIL bez odpowiedzi | Samotna Strategia Teksasu Wobec Mety Przekracza 2 mld
