Microsoft AI: MAI-Transcribe 2 é um modelo de transcrição feito pela Microsoft. OpenAI: Whisper 1 é um modelo de transcrição feito pela OpenAI. Ambos se enquadram na mesma categoria de transcrição, portanto você está escolhendo entre dois sistemas de fala para texto, e não entre um modelo de transcrição e algo que faz um trabalho diferente. Cada um aceita áudio como entrada e retorna uma transcrição como saída, e nenhum dos dois é um modelo de chat ou raciocínio de propósito geral.
Os dois modelos parecem muito semelhantes quando você alinha suas especificações. Ambos recebem áudio e ambos produzem transcrições, então as modalidades de entrada e saída coincidem. O comprimento de contexto não está listado para nenhum dos dois, então não há um número documentado para comparar, e a comparação qualitativa marca contexto maior como desconhecido em vez de favorecer um lado. O mesmo vale para suporte a ferramentas, saída estruturada e raciocínio: nenhum desses está listado como exclusivo de qualquer um dos modelos. A única diferença clara apresentada é o preço na entrada, onde Whisper 1 é o modelo mais barato para alimentar com áudio. O preço de saída não está marcado como diferente, então trate os dois como próximos nesse aspecto. Os parâmetros suportados estão vazios para ambos, então não há diferença em nível de parâmetro para planejar.
Para a maioria das tarefas de transcrição, a escolha se resume a custo e preferência de provedor, e não a capacidade. Se você está enviando muito áudio pelo modelo, o preço de entrada mais barato do Whisper 1 o torna o padrão econômico, já que os dois estão alinhados no que aceitam e retornam. Se sua stack já está construída em torno de modelos da Microsoft, ou se você quer especificamente avaliar a saída de transcrição da Microsoft contra a da OpenAI, MAI-Transcribe 2 é o modelo a chamar. Como nenhum dos modelos anuncia ferramentas, saída estruturada ou raciocínio, não escolha nenhum deles esperando que faça mais do que transformar áudio em texto; qualquer análise, resumo ou classificação posterior precisa acontecer no seu próprio código depois que a transcrição retornar.
Chamar qualquer um dos modelos através do api14 funciona da mesma forma porque a API é compatível com OpenAI. Você envia seu áudio para o endpoint de transcrição com o id do modelo definido como "microsoft/mai-transcribe-2" ou "openai/whisper-1", e o restante do formato da sua requisição permanece idêntico. Alternar entre os dois é uma mudança de uma linha no id do modelo, o que facilita rodar o mesmo áudio pelos dois e comparar as transcrições antes de se comprometer com um para produção.
Há um argumento razoável para manter o outro modelo no bolso mesmo depois de escolher um. Se você padronizar no Whisper 1 por razões de custo, mas depois precisar corresponder a um pipeline existente da Microsoft, mudar para MAI-Transcribe 2 está a apenas aquela mudança de id de modelo de distância. Por outro lado, se você começar no MAI-Transcribe 2 por alinhamento de provedor, Whisper 1 continua sendo uma opção de entrada mais barata para recorrer quando o volume crescer.