Porównanie modeli
Porównaj MAI-Transcribe-2 i Chirp 3, korzystając z tej samej rubryki rozpoznawanie mowy i transkrypcja pochodzącej od dostawcy. Żadnych tajemniczych wyników i żadnego wymyślonego rankingu porównawczego.
Sprawdzone fakty 4 września 2026
Podaj zużycie. Szacunek aktualizuje się podczas wpisywania.
Używa czasu nagrania w godzinach: 30 minut = 0,5 godziny. Dodatkowe funkcje i opłaty minimalne mogą zmienić rachunek.
Szacunki nie obejmują podatków, narzędzi, zapisu i przechowywania pamięci podręcznej, darmowych limitów ani rabatów. Dla obrazów obejmują tylko wynik, bez promptu i obrazów referencyjnych. Tryby jakości różnią się. Brak stawki nie oznacza bezpłatności.
| Modelka | Dostęp | Szacowany koszt (USD) |
|---|---|---|
| Chirp 3Google Cloud | Google Cloud | Brak zweryfikowanej stawki |
| MAI-Transcribe-2Microsoft | Microsoft | Brak zweryfikowanej stawki |
Szybkie ujęcie
Model szybkiej transkrypcji wsadowej Microsoft do długich nagrań, etykiet głośników, synchronizacji słów, stronniczości słów kluczowych i czystych lub dosłownych transkrypcji.
Wartość Microsoft wynosząca jedną godzinę na około dziesięć sekund jest twierdzeniem dostawcy, a nie gwarantowaną umową SLA. Przeprowadź test porównawczy własnego dźwięku i potwierdź cenę po wersji zapoznawczej, region wdrożenia, przydziały i konfigurację przechowywania.
Ogólny model zamiany mowy na tekst Google Cloud do przesyłania strumieniowego, plików i taniej dynamicznej transkrypcji wsadowej w wielu językach i regionach.
Sprawdź tabelę Chirp 3 pod kątem dokładnego języka i regionu. Etykiety głośników, znaczniki czasu, adaptacja i zachowanie wsadowe mają ograniczenia specyficzne dla trasy, które może ukryć pojedynczy numer zasięgu.
Porównaj opublikowane fakty
Wartości korzystają z opublikowanych jednostek i limitów każdego dostawcy. Puste miejsce oznacza, że dostawca nie opublikował bezpośrednio porównywalnej wartości w sprawdzanych źródłach.
| Rozpoznawanie mowy i transkrypcja | MAI-Transcribe-2 | Chirp 3 |
|---|---|---|
| Cena transkrypcjiAktualna cena dostawcy za godzinę lub minutę dźwięku dla podanej ścieżki przetwarzania. | Stawka ograniczona czasowo: 0,10 USD za godzinę audio | Standard 0,016 USD/min · Partia dynamiczna 0,003 USD/min |
| Na żywo lub wsadowoCzy model obsługuje strumienie w czasie rzeczywistym, przesłane nagrania, czy jedno i drugie. | Szybka transkrypcja wsadowa i długa | Przesyłanie strumieniowe, synchroniczne i wsadowe |
| JęzykiOpublikowana przez dostawcę oferta językowa, w razie potrzeby oddzielająca ofertę szkoleniową lub reklamowaną od specjalnie zweryfikowanych języków. | 60 języków | Ponad 85 języków i lokalizacji |
| Etykiety głośnikówOkreśla, czy model identyfikuje, kto przemawiał, i jaki jest opublikowany limit mówców. | Tak | Obsługiwane dla udokumentowanego podzbioru języków |
| Znaczniki czasuDostępne informacje o taktowaniu na poziomie słowa, segmentu lub wypowiedzi. | Znaczniki czasu na poziomie słów | Znaczniki czasu na poziomie słów z ograniczeniami trasy |
| Kontrola słownictwaWzmacnianie słów kluczowych, niestandardowa pisownia, kontekst, podpowiedzi lub inne sposoby ulepszania terminów domeny. | Promowanie słów kluczowych, czyste/dokładne wyniki, automatyczne wykrywanie języka | Adaptacja mowy, słownictwo niestandardowe, wykrywanie języka, odszumianie |
| Gdzie go używaćBezpośredni interfejs API, katalog w chmurze, aplikacja lub regionalny punkt końcowy udokumentowany przez dostawcę. | Microsoft Foundry / Azure | Google Cloud Zamiana mowy na tekst V2 |
Jak wybrać
Zacznij od zadania, które chcesz wykonać, a następnie sprawdź koszty, dostęp i szczegóły zasad dotyczące dokładnej trasy dostawcy.
Microsoft mówi, że podpowiedzi, dane wyjściowe, osadzania i dane szkoleniowe przesłane do Foundry Models nie są dostępne dla dostawców modeli i nie są wykorzystywane do uczenia modeli podstawowych bez pozwolenia. Szczegóły przechowywania i monitorowania nadużyć zależą od wdrożonej usługi.
Linki do dostawców i API
Google mówi, że treść zamiany mowy na tekst nie jest używana poza świadczeniem usługi, chyba że klient wyrazi zgodę na rejestrowanie danych. Treść przesyłana strumieniowo i synchronicznie jest obsługiwana w pamięci; wyniki asynchroniczne mogą być przechowywane tymczasowo zgodnie z dokumentacją.
Linki do dostawców i API
Często zadawane pytania
MAI-Transcribe-2: Model szybkiej transkrypcji wsadowej Microsoft do długich nagrań, etykiet głośników, synchronizacji słów, stronniczości słów kluczowych i czystych lub dosłownych transkrypcji. Chirp 3: Ogólny model zamiany mowy na tekst Google Cloud do przesyłania strumieniowego, plików i taniej dynamicznej transkrypcji wsadowej w wielu językach i regionach.
Rozważ MAI-Transcribe-2, jeśli Twoim priorytetem jest Nagrywane rozmowy i spotkania o dużej głośności. Rozważ Chirp 3, jeśli Twoim priorytetem jest Wielojęzyczna transkrypcja w chmurze. Przed zatwierdzeniem przetestuj oba rozwiązania, korzystając z własnych danych i trasy dostawcy.
Nie. To porównanie porównuje fakty opublikowane przez dostawcę dla kategorii Rozpoznawanie mowy i transkrypcja. Nie wskazuje uniwersalnego zwycięzcy ani nie łączy niezgodnych wyników testów porównawczych stron trzecich.
