Google: Chirp 3 är en transkriptionsmodell från Google, listad på api14 under modell-id:t google/chirp-3. Microsoft AI: MAI-Transcribe 2 är en transkriptionsmodell från Microsoft, listad under modell-id:t microsoft/mai-transcribe-2. Båda ligger i kategorin transkription, så ingen av dem är en allmän chatt- eller resonemangsmodell. De finns för att ta in ljud och returnera en transkription. De två leverantörerna är direkta konkurrenter inom molntjänster för tal, och api14 återförsäljer åtkomst till båda bakom en enda API-yta.
Utifrån de fakta som finns tillgängliga ser de två modellerna mycket lika ut till sin form. Båda accepterar ljud som sin enda indatamodalitet och båda producerar transkription som sin enda utdatamodalitet. Ingen av dem anger en kontextlängd i tokens, så det finns ingen dokumenterad skillnad i hur mycket ljud- eller textkontext var och en hanterar. Ingen av dem anger vilka parametrar som stöds, så du bör inte förvänta dig att någon av dem exponerar justeringsrattar som temperatur eller promptkontroller genom denna listning. Det finns inget verktygsanrop, inget strukturerat utdata-läge och inget resonemangsläge registrerat för någon av modellerna, så dessa axlar skiljer dem inte åt. Den enda kvalitativa skillnaden som anges är priset på indata: Chirp 3 är den billigare sidan för indata. Utdatapriset är registrerat som oavgjort, vilket betyder att de två ligger på ungefär samma pris på den sidan. Så det praktiska kostnadsgapet, om det finns något, kommer från indata, och det gynnar Google.
För att välja mellan dem är beslutet snävt eftersom kapacitetsuppsättningarna matchar varandra. Om din arbetsbelastning är indatatung, vilket betyder långa ljudfiler eller stora volymer ljud som skickas för transkription, är Chirp 3 det billigare alternativet på indatasidan och är det rimliga standardvalet. Om din arbetsbelastning domineras av utdatavolym ligger de två på ungefär samma pris, så kostnaden slutar vara en avgörande faktor och du kan välja på andra grunder, till exempel vilken leverantörs transkriptionskvalitet du redan har validerat på ditt eget ljud, eller vilken leverantör din organisation redan har en relation med. Eftersom ingen av modellerna exponerar verktyg, strukturerat utdata eller resonemang, bör du inte planera kring dessa funktioner med någon av dem. Behandla båda som rena tal-till-text-ändpunkter och gör din nedströms parsning, formatering eller extrahering i din egen kod efter att transkriptionen kommer tillbaka.
Att anropa någon av modellerna via api14 fungerar på samma sätt, eftersom API:et är OpenAI-kompatibelt. Du skickar ditt ljud till transkriptionsändpunkten med din api14-nyckel, och det enda som ändras mellan de två leverantörerna är modell-id-strängen. Använd google/chirp-3 för att dirigera till Googles modell, eller microsoft/mai-transcribe-2 för att dirigera till Microsofts. Förfrågningsformen, autentiseringsheadern och hanteringen av svaret förblir identiska, så du kan byta leverantör genom att ändra ett fält, eller köra båda sida vid sida på samma ljud för att jämföra resultat innan du bestämmer dig. Detta innebär också att du kan behålla ett enda klientbibliotek och en enda uppsättning återförsöks- och loggningskod medan du fortfarande har åtkomst till båda leverantörerna.
Det finns inget fall i de angivna fakta där MAI-Transcribe 2 är klart det bättre valet på en teknisk axel, eftersom kapaciteter, kontext och modaliteter inte skiljer sig åt och utdatapriset är ungefär detsamma. Den ärliga ståndpunkten är att Chirp 3 har övertaget på indatapris, och Microsofts modell är ett rimligt alternativ när du föredrar den leverantören, när du redan har anpassat din pipeline kring dess utdata, eller när du vill undvika att bero på en enda leverantör. Eftersom båda är nåbara genom samma api14-ändpunkt med endast modell-id:t som ändras, kostar det dig väldigt lite att behålla båda i din konfiguration.