Harianjogja.com, JOGJA— Microsoft kembali memperluas persaingan di industri kecerdasan buatan (AI) dengan meluncurkan MAI-Transcribe-2, model yang dirancang untuk mengubah rekaman suara menjadi teks secara cepat dan akurat.
Model terbaru dari Microsoft AI tersebut menyasar berbagai kebutuhan, mulai dari transkripsi rapat dan wawancara hingga pembuatan subtitle, dokumentasi hukum, layanan pelanggan, dan aksesibilitas.
Yang membuat MAI-Transcribe-2 menarik perhatian adalah kombinasi kecepatan, dukungan multibahasa, fitur pengenalan pembicara, serta harga yang sangat rendah.
Microsoft memperkenalkan MAI-Transcribe-2 pada 3 September 2026. Perusahaan menyebut model tersebut sebagai sistem transkripsi paling mumpuni dan efisien yang mereka buat sejauh ini.
Diklaim 10 Kali Lebih Cepat dari GPT-Transcribe
Microsoft mengklaim MAI-Transcribe-2 mampu memproses audio hingga 10 kali lebih cepat dibandingkan GPT-Transcribe milik OpenAI.
Model tersebut juga disebut mampu bekerja hingga lima kali lebih cepat dibandingkan Gemini 3.5 Transcribe dari Google.
Dalam pengujian yang dirujuk Microsoft, MAI-Transcribe-2 mencatat rata-rata Word Error Rate (WER) 5,2% pada benchmark FLEURS yang mencakup 60 bahasa.
Dilansir dari Neowin, WER merupakan metrik yang digunakan untuk mengukur tingkat kesalahan transkripsi. Semakin rendah angkanya, semakin sedikit kata yang salah atau tidak sesuai dengan rekaman asli.
Microsoft juga menyebut MAI-Transcribe-2 menempati posisi kedua dalam pemeringkatan WER Artificial Analysis serta berada pada Pareto Frontier untuk kombinasi akurasi dan latensi.
Meski demikian, angka tersebut merupakan hasil pengujian yang dikutip Microsoft. Performa dalam penggunaan sehari-hari tetap dapat dipengaruhi kualitas audio, aksen, bahasa, kebisingan, dan karakter percakapan.
Bisa Bedakan Suara Banyak Pembicara
Salah satu pembaruan penting MAI-Transcribe-2 adalah speaker diarization.
Fitur ini memungkinkan sistem membedakan suara beberapa orang dalam satu rekaman dan mengaitkan setiap bagian percakapan dengan pembicara yang sesuai.
Kemampuan tersebut berguna untuk berbagai aktivitas yang melibatkan banyak orang, seperti rapat, wawancara, podcast, rekaman layanan pelanggan, hingga dokumentasi profesional.
MAI-Transcribe-2 juga dilengkapi word-level timestamps. Fitur ini memberikan penanda waktu pada setiap kata sehingga pengguna lebih mudah mencari bagian tertentu dari rekaman, melakukan penyuntingan, maupun menyelaraskan teks dengan audio atau video.
Bagi pembuat konten, kemampuan tersebut dapat memangkas pekerjaan manual ketika membuat subtitle atau mencari kutipan tertentu dari sebuah rekaman.
Bisa Mengenali Istilah Khusus
Microsoft turut membekali model tersebut dengan keyword biasing atau contextual biasing.
Fitur ini memungkinkan pengembang memberikan konteks berupa istilah tertentu yang perlu dikenali secara lebih akurat.
Kemampuan tersebut penting untuk penggunaan profesional karena rekaman suara sering mengandung nama orang, istilah teknis, singkatan, nama produk, atau kosakata khusus industri.
MAI-Transcribe-2 juga mendukung identifikasi bahasa secara otomatis.
Pengguna tidak selalu harus menentukan bahasa rekaman sejak awal. Model dirancang untuk menangani percakapan multibahasa, termasuk kondisi ketika pembicara berpindah bahasa di tengah percakapan atau code switching.
Microsoft mencontohkan pola percakapan seperti Hinglish dan Spanglish sebagai salah satu skenario yang dapat ditangani.
Ada Mode Verbatim dan Clean
Kebutuhan transkripsi tidak selalu sama.
Dalam beberapa kasus, pengguna membutuhkan teks yang benar-benar mengikuti ucapan dalam rekaman. Namun, untuk artikel, catatan rapat, atau subtitle, teks yang terlalu mentah justru dapat mengganggu keterbacaan.
Karena itu, MAI-Transcribe-2 menyediakan pilihan gaya transkripsi.
Mode verbatim mempertahankan kata pengisi dan kesalahan ucapan yang muncul dalam rekaman.
Sementara itu, mode clean dirancang untuk menghasilkan teks yang lebih mudah dibaca dengan menghilangkan kata pengisi.
Perbedaan tersebut membuat model dapat digunakan untuk kebutuhan dokumentasi maupun produksi konten.
Microsoft juga mengatakan MAI-Transcribe-2 dirancang untuk menghadapi kondisi audio dunia nyata, termasuk rekaman dengan gangguan suara.
Harga Turun Drastis
Selain kemampuan teknis, harga menjadi salah satu daya tarik utama MAI-Transcribe-2.
Microsoft menetapkan harga pengenalan sebesar US$0,10 per jam audio. Dengan asumsi kurs Rp17.000 per dolar AS, tarif tersebut setara sekitar Rp1.700 per jam audio.
Harga tersebut merupakan penawaran terbatas yang berlaku hingga 31 Desember 2026.
Sebagai pembanding, model sebelumnya, MAI-Transcribe-1.5, tercantum dengan harga US$0,36 per jam.
Artinya, tarif pengenalan MAI-Transcribe-2 hanya sekitar 28% dari harga model sebelumnya.
Penurunan biaya tersebut dapat menjadi pertimbangan penting bagi pengembang yang memproses audio dalam jumlah besar.
Sebagai contoh, perusahaan yang perlu mengubah ribuan jam rekaman menjadi teks dapat menekan biaya pemrosesan secara signifikan jika tarif tersebut tetap kompetitif.
Sudah Bisa Dicoba
MAI-Transcribe-2 telah tersedia dalam public preview melalui Microsoft Foundry.
Pengguna juga dapat mencoba kemampuannya melalui MAI Playground. Microsoft menyebut model tersebut akan hadir di OpenRouter.
Ketersediaan tersebut membuat model tidak hanya ditujukan untuk pengguna akhir, tetapi juga pengembang yang ingin mengintegrasikan kemampuan transkripsi ke dalam aplikasi atau layanan mereka.
Potensinya cukup luas.
Dalam dunia kerja, transkripsi otomatis dapat membantu mengubah rapat menjadi dokumen yang dapat dicari.
Bagi jurnalis, teknologi serupa dapat mempercepat proses mengubah rekaman wawancara menjadi teks.
Sementara bagi kreator konten, penanda waktu per kata dan kemampuan menghasilkan teks bersih dapat membantu proses pembuatan subtitle maupun materi publikasi.
Microsoft Mulai Serius di Pasar Transkripsi AI
Peluncuran MAI-Transcribe-2 menunjukkan Microsoft tidak hanya mengembangkan AI untuk chatbot atau produktivitas.
Perusahaan juga semakin agresif masuk ke lapisan infrastruktur AI yang digunakan untuk memproses suara.
Dengan dukungan 60 bahasa, fitur pengenalan pembicara, penanda waktu per kata, kemampuan memahami istilah khusus, serta tarif pengenalan US$0,10 per jam, Microsoft mencoba menawarkan paket yang menarik bagi pengembang dan perusahaan.
Namun, klaim kecepatan dan akurasi tetap perlu dilihat dalam konteks pengujian masing-masing.
Kondisi audio di dunia nyata sangat beragam. Rekaman dengan banyak suara, aksen tertentu, kebisingan tinggi, atau perpindahan bahasa dapat memberikan hasil berbeda dibandingkan benchmark.
Meski demikian, masuknya MAI-Transcribe-2 menambah tekanan persaingan di pasar teknologi speech-to-text.
Jika Microsoft mampu mempertahankan kombinasi akurasi, kecepatan, fitur, dan biaya tersebut dalam penggunaan skala besar, layanan transkripsi AI dapat menjadi semakin murah dan mudah diakses oleh pengembang, perusahaan, serta pembuat konten.
Cek Berita dan Artikel yang lain di Harian Jogja, dan edisi cetak versi elektronik kami hadir di Epaper Harian Jogja.
