Audio yozuvni matnga aylantirish: 2026'da qaysi AI transkripsiya vositasi
Podcast, uchrashuv yoki darslik yozuvini matnga aylantirish uchun qaysi AI modelini tanlash: MAI-Transcribe-2, GPT-Transcribe, Gemini 3.5 Transcribe, Scribe v2 va Whisper qiyosi — narx, tezlik va aniqlik bo'yicha. O'zbek tili holati ham halol tushuntiriladi.
Podkast yozdingiz, uchrashuvni yozib oldingiz yoki kurs videosi bor — bularning barchasini matnga aylantirish endi bir daqiqalik ish. Lekin qaysi vositani tanlash kerak? Bu hafta bozor saxta o’zgardi: Microsoft soatiga 10 sentdan transkripsiya taklif qildi. Keling, tartibga solamiz.
Nima bo’ldi: narx urushi
Microsoft AI (Mustafa Suleyman boshchiligidagi bo’linma) 3-sentabrda MAI-Transcribe-2 modelini chiqardi. Rasmiy e’londagi asosiy raqamlar:
- Narx: $0.10 bir soat audio uchun (yil oxirigacha cheklangan intro-narx)
- FLEURS benchmarkida 60 til bo’yicha 1-o’rin (o’rtacha xatolik 5.2%)
- Tezlik: 1 soat audio 10 soniyada qayta ishlanadi
- OpenAI GPT-Transcribe’dan 10x, ElevenLabs Scribe v2’dan 7x, Gemini 3.5 Transcribe’dan 5x tez (Artificial Analysis mustaqil o’lchovi)
Solishtirish uchun: Meta’ning Voice Transcribe modeli $3/1000 daqiqa ($0.18/soat) edi, Microsoft’ning o’zining avvalgi MAI-Transcribe-1.5 — $0.36/soat. Ya’ni yangi model o’zining avvalgisidan 3.6 barobar arzon.
Katta jadval: kim nimada kuchli
Microsoft’ning rasmiy FLEURS taqqoslashidan (xatolik foizi — pasti yaxshi):
| Model | Ingliz | Rus | Turk | Qozoq | Narx/soat |
|---|---|---|---|---|---|
| MAI-Transcribe-2 | 2.7 | 3.1 | 3.9 | 5.7 | $0.10 |
| Gemini 3.5 Transcribe | 2.8 | 3.4 | 4.3 | 3.6 | ~$0.20+ |
| Scribe v2 (ElevenLabs) | 2.6 | 4.2 | 4.7 | 5.6 | ~$0.40 |
| GPT-Transcribe (OpenAI) | 3.2 | 4.3 | 5.4 | 22.2 | ~$0.30+ |
| Whisper v3-large | 4.2 | 5.0 | 6.4 | 33.1 | Bepul (lokal) |
Ikki xulosa: (1) katta modellar orasida farq kichik — hech biri inson darajasida emas, lekin hammasi «yaxshi»; (2) kichik tillarda farx katta — qozoqchada GPT-Transcribe 22%, Whisper 33% xato qiladi.
Funksiyalar ham muhim
Narxdan tashqari, amaliy jihatlar:
- Diarizatsiya (kim qachon gapirganini ajratish): MAI-Transcribe-2’da bor, arzon Whisper’da yo’q. Suhbat yozuvlari uchun bu hal qiluvchi.
- Har so’z uchun vaqt belgisi: videoga subtitr qo’yishda kerak.
- «Verbatim/clean» rejimlari: «mm», «ya’ni» larni qoldirish yoki tozalash.
- Kalit so’z biasing: mutaxassis atamalari (dori nomlari, kompaniyalar) lug’at sifatida beriladi.
O’zbek tili: halol javob
MAI-Transcribe-2’ning 60 til ro’yxatida o’zbek tili yo’q — qozoq, ozarbayjon, turk, rus bor, o’zbek yo’q. Bu Microsoft’ning rasmiy jadvalidan ko’rinadi.
O’zbekcha audio uchun bugun eng oqilona yo’l: Whisper (o’zbekni qo’llab-quvvatlaydi va lokal bepul ishlaydi, lekin aniqligi o’rtacha) yoki Gemini/ChatGPT kabi universal modellarda o’z yozuvingizning bir qismida sinov o’tkazish. Har qanday vositani to’liq ishlatishdan oldin 1-2 daqiqalik parchada tekshiring — bu 5 daqiqa sizga soatlab tuzatishni tejaydi.
Qaysi ish uchun nima
- Ko’p miqdordagi tilli audio (podkast/video ishlov): MAI-Transcribe-2 — Microsoft Foundry, MAI Playground yoki OpenRouter orqali.
- O’zbekcha yozuv: Whisper lokal + qo’lda tuzatish, yoki universal modelda sinab ko’rish.
- Maxfiy ma’lumot (tibbiy, yuridik): lokal Whisper — hech narsa bulutga chiqmaydi.
- Tez-tez yangilanadigan kichik vazifalar: bepul tarjimalar/diktantlar yetarli.
Narxlar urushi davom etmoqda — bu yil oxirigacha intro-narx, keyin qimmatlashadi. Foydalanuvchi nikida bu yaxshi yangilik: transkripsiya deyarli bepul xizmatga aylanmoqda.
Yangi vositalarni birinchi bo’lib bilib turish uchun Telegram’da @robot_aka kanaliga obuna bo’ling. Tarjima vositalari qiyosini ham o’qib chiqing: AI bilan tarjima: DeepL/Google/ChatGPT.