Fish Audio: Transcribe 1 対 Microsoft AI: MAI-Transcribe 2
api14カタログの最新のUSD料金と機能をもとに、Fish Audio: Transcribe 1（$0.02 / 分 (≈ ￥3)）とMicrosoft AI: MAI-Transcribe 2（$21.00 / 分 (≈ ￥3,315)）を並べて比較します。どちらも同じOpenAI互換APIで動作します。
仕様
| Fish Audio: Transcribe 1 | Microsoft AI: MAI-Transcribe 2 | |
|---|---|---|
| プロバイダー | Fish Audio | Microsoft |
| 音声 | $0.02 / 分 (≈ ￥3) | $21.00 / 分 (≈ ￥3,315) |
| コンテキストウィンドウ | - | - |
| 最大出力 | - | - |
| 入力 | audio | audio |
| 出力 | transcription | transcription |
| ツール呼び出し | ||
| 構造化出力 | ||
| 推論の調整 | ||
| 追加日 | 2026/07/29 | 2026/09/03 |
主な違い
- Fish Audio: Transcribe 1は入力トークンが100%安くなっています。
詳しく見る
Fish Audio: Transcribe 1 は Fish Audio の文字起こしモデルであり、Microsoft AI: MAI-Transcribe 2 は Microsoft の文字起こしモデルです。どちらも api14 上の同じカテゴリに属するため、テキストの下書きや質問への回答に使う一般的なチャットモデルや推論モデルではありません。これらは音声を入力として受け取り、文字起こしを返すために存在します。Fish Audio のモデルのプロバイダーリリース日は 2026-07-29 で、Microsoft のものは 2026-09-03 であるため、書面上は Microsoft のエントリの方が新しい方です。
機能面では、この 2 つはラベルから連想されるよりも近い関係にあります。どちらも入力モダリティとして音声のみを受け付け、出力モダリティとして文字起こしのみを返します。どちらも公開されたコンテキスト長を記載していないため、1 回の呼び出しで扱える音声や付随テキストの量を比較する文書化された数値はありません。どちらも対応パラメータを記載していないため、temperature、言語ヒント、タイムスタンプなど、どちら側でも調整できる文書化されたノブのセットはありません。定性的な比較では、コンテキストウィンドウ、ツール使用、構造化出力、推論のいずれにも違いが付けられていないため、これらのどれも両者を分けません。明確な違いの 1 つはコストです。Fish Audio: Transcribe 1 は入力においてより安価な選択肢です。出力価格は違いがあると示されていないため、そこでは両者をほぼ同じと見なしてください。
両者を選ぶ際には、実用的な分かれ目はそこから導かれます。入力音声が請求の大部分を占める大量の文字起こしワークロードであれば、Fish Audio: Transcribe 1 が素直な選択です。入力で安価であり、記載された機能の中でそれを妨げるものがないからです。強いコスト圧力がなく Microsoft のモデルを好む場合、またはチームがすでに Microsoft のツール群に標準化していて文字起こしもそのファミリーに保ちたい場合は、MAI-Transcribe 2 が妥当なデフォルトです。文書化された機能セットは同一であるため、与えられた事実の中では一方にできて他方にできないタスクはなく、判断は機能ではなく価格とプロバイダーの好みに帰着します。
どちらを api14 経由で呼び出す場合も同じように動作します。ゲートウェイが OpenAI 互換 API を公開しているためです。OpenAI 互換の文字起こし呼び出しで使うのと同じリクエスト形式で音声を文字起こしエンドポイントに送信し、2 つのモデル間で変わるのはモデル id だけです。Fish Audio のモデルにルーティングするには "fish-audio/transcribe-1" を、Microsoft のモデルにルーティングするには "microsoft/mai-transcribe-2" を使用します。クライアントコード、認証、レスポンス解析のその他すべてはそのままなので、プロバイダーの切り替えは 1 行の変更であり、統合を書き直すことなく両方を自分の音声に対してベンチマークできます。
提供された事実の中に、より高価なモデルが必要となるケースはありません。コンテキストウィンドウ、ツール、構造化出力、推論はいずれも違いなしと示されており、出力価格も区別されていないため、機能上の理由で MAI-Transcribe 2 を強いられるものは何もありません。より安価な Fish Audio のモデルではなくそれを選ぶ唯一の正直な理由は、プロバイダーへの好みか、より多く支払うという意図的な選択であり、機能の差ではありません。
文字列1つで切り替え
どちらのモデルも同じエンドポイントとリクエスト形式を使います。modelの値を"fish-audio/transcribe-1"から"microsoft/mai-transcribe-2"に変えるだけで、プロンプト、ストリーミング、ツールはそのまま動きます。
import fs from "node:fs";
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.audio.transcriptions.create({
model: "microsoft/mai-transcribe-2",
file: fs.createReadStream("audio.mp3"),
});
console.log(result.text);
その他の比較
- AssemblyAI: Universal-3.6 Pro 対 Mistral: Voxtral Mini Transcribe 3
- AssemblyAI: Universal-3.6 Pro 対 Mistral: Voxtral Small Transcribe 3
- AssemblyAI: Universal-3.6 Pro 対 Moondream: Parakeet Ultra
- AssemblyAI: Universal-3.6 Pro 対 NVIDIA: Nemotron 3.5 Transcribe
- Mistral: Voxtral Mini Transcribe 3 対 Mistral: Voxtral Small Transcribe 3
- Mistral: Voxtral Mini Transcribe 3 対 Moondream: Parakeet Ultra
- Mistral: Voxtral Mini Transcribe 3 対 NVIDIA: Nemotron 3.5 Transcribe
- Mistral: Voxtral Small Transcribe 3 対 Moondream: Parakeet Ultra