Google: Chirp 3, Google का एक ट्रांसक्रिप्शन मॉडल है, जो api14 पर मॉडल आईडी google/chirp-3 के तहत सूचीबद्ध है। Microsoft AI: MAI-Transcribe 2, Microsoft का एक ट्रांसक्रिप्शन मॉडल है, जो मॉडल आईडी microsoft/mai-transcribe-2 के तहत सूचीबद्ध है। दोनों ट्रांसक्रिप्शन श्रेणी में आते हैं, इसलिए इनमें से कोई भी सामान्य चैट या रीज़निंग मॉडल नहीं है। ये ऑडियो लेकर ट्रांसक्रिप्शन लौटाने के लिए मौजूद हैं। दोनों प्रोवाइडर क्लाउड स्पीच सेवाओं में सीधे प्रतिस्पर्धी हैं, और api14 एक ही API सतह के पीछे दोनों तक पहुंच को रीसेल करता है।
उपलब्ध तथ्यों पर, दोनों मॉडल आकार में बहुत समान दिखते हैं। दोनों अपने एकमात्र इनपुट मोडैलिटी के रूप में ऑडियो स्वीकार करते हैं और दोनों अपने एकमात्र आउटपुट मोडैलिटी के रूप में ट्रांसक्रिप्शन देते हैं। दोनों में से कोई भी टोकन में कॉन्टेक्स्ट लंबाई सूचीबद्ध नहीं करता, इसलिए इस बात का कोई प्रलेखित अंतर नहीं है कि प्रत्येक कितना ऑडियो या टेक्स्ट कॉन्टेक्स्ट संभालता है। दोनों में से कोई भी समर्थित पैरामीटर सूचीबद्ध नहीं करता, इसलिए आपको यह अपेक्षा नहीं करनी चाहिए कि इस लिस्टिंग के माध्यम से इनमें से कोई भी temperature या prompt नियंत्रण जैसे ट्यूनिंग नॉब उजागर करेगा। किसी भी मॉडल के लिए कोई टूल कॉलिंग, कोई संरचित आउटपुट मोड और कोई रीज़निंग मोड दर्ज नहीं है, इसलिए वे अक्ष इन्हें अलग नहीं करते। दिया गया एक गुणात्मक अंतर इनपुट पर मूल्य है: Chirp 3 इनपुट के लिए सस्ता पक्ष है। आउटपुट मूल्य निर्धारण बराबरी के रूप में दर्ज है, जिसका अर्थ है कि उस पक्ष पर दोनों लगभग समान कीमत के हैं। इसलिए व्यावहारिक लागत अंतर, यदि कोई हो, इनपुट से आता है, और यह Google के पक्ष में है।
इनके बीच चुनने के लिए, निर्णय संकीर्ण है क्योंकि क्षमता सेट मेल खाते हैं। यदि आपका वर्कलोड इनपुट भारी है, यानी लंबी ऑडियो फाइलें या ट्रांसक्रिप्शन के लिए भेजी जाने वाली ऑडियो की उच्च मात्रा, तो Chirp 3 इनपुट पक्ष पर सस्ता विकल्प है और उचित डिफ़ॉल्ट है। यदि आपके वर्कलोड पर आउटपुट वॉल्यूम का दबदबा है, तो दोनों लगभग समान कीमत के हैं, इसलिए लागत टाईब्रेकर होना बंद कर देती है और आप अन्य आधारों पर चुन सकते हैं, जैसे कि आपने अपने ही ऑडियो पर किस प्रोवाइडर की ट्रांसक्रिप्शन गुणवत्ता पहले ही सत्यापित कर ली है, या आपके संगठन का पहले से किस विक्रेता के साथ संबंध है। चूंकि कोई भी मॉडल टूल, संरचित आउटपुट या रीज़निंग उजागर नहीं करता, किसी भी मॉडल के साथ उन सुविधाओं की योजना न बनाएं। दोनों को शुद्ध स्पीच टू टेक्स्ट एंडपॉइंट मानें और ट्रांसक्रिप्शन वापस आने के बाद अपने डाउनस्ट्रीम पार्सिंग, फॉर्मेटिंग या एक्सट्रैक्शन अपने ही कोड में करें।
api14 के माध्यम से किसी भी मॉडल को कॉल करना उसी तरह काम करता है, क्योंकि API OpenAI संगत है। आप अपनी api14 कुंजी के साथ अपना ऑडियो ट्रांसक्रिप्शन एंडपॉइंट पर भेजते हैं, और दोनों प्रोवाइडर के बीच केवल मॉडल आईडी स्ट्रिंग बदलती है। Google के मॉडल पर रूट करने के लिए google/chirp-3 का उपयोग करें, या Microsoft के मॉडल पर रूट करने के लिए microsoft/mai-transcribe-2 का। रिक्वेस्ट का स्वरूप, ऑथेंटिकेशन हेडर और रिस्पॉन्स हैंडलिंग समान रहते हैं, इसलिए आप एक फ़ील्ड बदलकर प्रोवाइडर स्विच कर सकते हैं, या प्रतिबद्ध होने से पहले परिणामों की तुलना करने के लिए उसी ऑडियो पर दोनों को साथ साथ चला सकते हैं। इसका यह भी अर्थ है कि आप एक ही क्लाइंट लाइब्रेरी और रिट्राई तथा लॉगिंग कोड का एक ही सेट रख सकते हैं, फिर भी दोनों विक्रेताओं तक पहुंच रख सकते हैं।
दिए गए तथ्यों में ऐसा कोई मामला नहीं है जहां तकनीकी अक्ष पर MAI-Transcribe 2 स्पष्ट रूप से बेहतर विकल्प हो, क्योंकि क्षमताएं, कॉन्टेक्स्ट और मोडैलिटी भिन्न नहीं हैं और आउटपुट मूल्य निर्धारण लगभग समान है। ईमानदार स्थिति यह है कि Chirp 3 को इनपुट मूल्य पर बढ़त है, और Microsoft का मॉडल एक उचित विकल्प है जब आप उस प्रोवाइडर को पसंद करते हैं, जब आपने अपनी पाइपलाइन को पहले ही उसके आउटपुट के अनुरूप ट्यून कर लिया है, या जब आप एक ही विक्रेता पर निर्भरता से बचना चाहते हैं। चूंकि दोनों एक ही api14 एंडपॉइंट के माध्यम से पहुंच योग्य हैं और केवल मॉडल आईडी बदलती है, दोनों को अपने कॉन्फ़िगरेशन में रखने पर आपको बहुत कम खर्च आता है।