Meta har satt priset för transkribering

Siffran som spelar roll

Meta Superintelligence Labs lanserade Muse Voice Transcribe den 1 september, och samma dag tog modellen förstaplatsen på Artificial Analysis oberoende topplista för streamad tal-till-text.

Modellen förenar två uppgifter som de flesta transkriberingskedjor hittills har kört som separata steg: talaridentifiering, som visar vem som pratar, och endpointing, som upptäcker när någon slutat prata. Meta tränade den på över 70 språk, varav 25 validerade vid lanseringen, och byggde den för att hantera 20 eller fler samtidiga talare, inspelningar på över en timme och talare som byter språk mitt i ett samtal utan manuell återställning. Åtkomst går via Metas Model API för 3 USD per 1 000 ljudminuter, vilket motsvarar 0,18 USD per timme transkriberat ljud.

Vad företag har betalat hittills

De flesta företag som kör samtalstranskribering, mötesanteckningar eller kundtjänstljud via ett API betalar idag i praktiken för två saker samtidigt, även om fakturan bara visar en rad: själva transkriberingen, och den extra bearbetningen som gör den användbar.

OpenAIs Whisper API listar öppet ett pris för ren transkribering på cirka 0,006 USD per minut, vilket blir ungefär 0,36 USD i timmen, där talaridentifiering vanligtvis hanteras som ett separat steg eller ett eget verktyg. Azure Speech och Google Speech-to-Text prissätter sina standardnivåer i ett liknande spann, ofta nära 1 USD i timmen innan talaridentifiering läggs till som egen funktion eller egen prisnivå. Vart och ett av dessa upplägg tvingar ett företag att betala två gånger och integrera två gånger för ett resultat som Meta nu levererar som en modell till ett pris.

Euro-räkningen, ungefär

Räkna om Metas timpris till euro, och siffran som ett finansteam i EU eller Storbritannien verkligen kan hålla mot en faktura hamnar på cirka 0,17 euro i timmen.

Den omräkningen använder en grov dollar-euro-kurs nära 0,92 och rör sig med marknaden, så den bör ses som en riktlinje, inte en faktureringsklar siffra. Med samma räkning hamnar priset per 1 000 minuter på cirka 2,76 euro. Varje företag som idag betalar markant mer för transkribering, talaridentifiering och endpointing tillsammans har för första gången ett offentligt referenspris att hålla sitt eget leverantörsavtal mot, istället för bara ett säljares ord.

Köpa, bygga själv eller byta

Beslutet som varje EU- eller UK-team med ljudflöden står inför är inte om Metas modell är tekniskt imponerande, utan om den nuvarande leverantörsstacken fortfarande förtjänar sitt påslag nu när talaridentifiering och endpointing inte längre kräver separata verktyg.

Modellen bär redan verklig last inuti Metas egna produkter, den driver dikteringsfunktioner på Mac och företagets eget Muse Code, en signal om att systemet är hårdat i produktion och inte en demo byggd för en topplista. För ett team som betalar ett påslag för att kombinera transkribering, talaretiketter och taltursdetektering från tre olika leverantörer är just den kombinationen av offentligt pris och verklig produktionsanvändning den del som är värd att agera på. Dikteringsfunktionen på Mac är helt enkelt platsen där de flesta först kommer lägga märke till modellen bakom.

Varför vi gör detta

Vi gör detta för alla som försöker hålla jämna steg med vad tekniken gör med våra liv. Människorna som bygger den, och människorna det händer. Servola Journal finns så att det vi lär oss tillhör dem alla.

Ingen betalar oss för det. Inga annonser, ingen betalvägg, gratis för alla. Vi tror helt enkelt att förstå vad som händer med oss alla inte bör bero på vem som har råd att betala för det.

Om detta gav dig något idag, säg till att vi ska fortsätta. Följ oss, lämna en gilla-markering, eller skriv en positiv kommentar. Vi läser varenda en, och de är det som håller oss igång.

Läs vidare: Andra LED-fixen, samma obesvarade invändning från CNIL  |  Texas Ensamstrategi Mot Meta Passerar 2 Miljarder