MAI-Transcribe-2 — עשרה אנשים מול כל התעשייה

ב-3 בספטמבר 2026 מיקרוסופט הכריזה שיש לה את מודל התמלול הכי מהיר, הכי מדויק והכי זול בעולם - וזו לא רק סיסמת שיווק. MAI-Transcribe-2 מזהה מי מדבר מתי, עובר בין שפות באמצע משפט (כן, גם עברית-אנגלית מעורבבת), ותומך ב-60 שפות שונות. אבל המספר שגרם לכולם לעצור היה המחיר: 10 סנט לשעת אודיו.

זה לא שיפור קוסמטי. הדור הקודם, MAI-Transcribe-1, עלה 36 סנט לשעה. ירידה של 72% במחיר תוך כמה חודשים היא לא תמחור אגרסיבי רגיל - זה המחיר של מודל שמישהו רוצה שכולם יתחילו להשתמש בו כמה שיותר מהר. עסק שמעבד 100,000 שעות שיחות מוקד בשנה, למשל, יראה את החשבון השנתי צונח מ-36 אלף דולר ל-10 אלף דולר.

ומבחינת ביצועים, מיקרוסופט לא מתביישת להשוות את עצמה ישירות למי שנחשבים המובילים בתחום: המודל מהיר פי 10 מ-GPT-Transcribe של OpenAI, פי 7 מ-Scribe v2 של ElevenLabs, ופי 5 מ-Gemini 3.5 Transcribe של גוגל - ועדיין מדורג ראשון בבנצ׳מארק FLEURS שבודק דיוק תמלול ב-60 שפות, עם שיעור טעויות ממוצע של 5.2% בלבד.

הסיפור האמיתי כאן הוא לא תמלול. הוא עצמאות. במשך שנים מיקרוסופט הייתה בעצם חנות המכולת של OpenAI - היא לקחה את GPT, עטפה אותו ב-Copilot ובאזור, ומכרה אותו הלאה. אבל בין אוקטובר 2025 לאפריל 2026 מיקרוסופט שינתה את ההסכם עם OpenAI פעמיים, וביטלה את הבלעדיות ואת חלוקת ההכנסות שהגדירו את מערכת היחסים ביניהן מאז 2019.

מאז, למיקרוסופט יש תמריץ ישיר לבנות מודלים משלה במקום רק להפיץ את של OpenAI. MAI-Transcribe-2 הוא חלק מסדרה שלמה של מודלים פנימיים - תמונה, קול, קוד, אבטחה - שיצאו מהחטיבה Microsoft AI בהובלת מוסטפא סוליימן. הוא ניסח את זה בלי להתבייש: ״השאלה היא האם המודלים האלה מסוגלים לספק ערך אמיתי למיליוני עסקים שסומכים עלינו לספק להם שפה ברמה עולמית״.

והמספר שהכי מדגיש את זה: את כל זה בנה צוות של 10 אנשים בלבד. לא מאה, לא אלף - עשרה, עם ״כמה שפחות בירוקרטיה פנימית״, כמו שמיקרוסופט עצמה תיארה זאת. זה כמעט מביך כשזוכרים שמדובר בחברה שהשקיעה מיליארדי דולרים ב-OpenAI. מארק בניוף, מנכ״ל Salesforce, ניסח את זה כבר קודם: ״למיקרוסופט יהיו מודלים משלה בחזית הטכנולוגיה - בשביל זה בדיוק היא גייסה את מוסטפא סוליימן״.

תארו לעצמכם מוקד שירות קטן שמתעד אלף שיחות בחודש בעברית מעורבבת עם מונחים באנגלית - בדיוק הקוד-סוויצ׳ינג שהמודל תוכנן בשבילו. במקום להקליט ולשכוח, אפשר לתמלל את כל השיחות עם זיהוי דוברים מלא, ואז להזין את התמלולים למודל שפה שמנתח: באילו מילים לקוחות משתמשים רגע לפני שהם מנתקים בכעס, אילו נציגים סוגרים הכי הרבה עסקאות, ואיפה הסקריפט נשבר. זו לא תמלול - זו מפת חום שלמה של מוקד השירות, שעד עכשיו הייתה עולה אלפי דולרים לבנות.

אותו עיקרון עובד על ראיונות עבודה, ישיבות דירקטוריון, ואפילו הקלטות שדורשות מצב ״מילה במילה״ (verbatim) שלא מוחק גמגומים והיסוסים - כי לפעמים ההיסוס הוא בדיוק מה שרוצים לתעד. יש גם מצב ״נקי״ שמסנן את זה, לפי הצורך.

וכמו תמיד, השאלה האמיתית היא לא רק איך משתמשים בכלי הזה, אלא מה עושים עם כל הטקסט שהוא מייצר - וזו בדיוק השאלה שאנחנו עונים עליה צעד-צעד בסדרה ׳קלוד למתחילים מאפס׳.

מיקרוסופט לא הפכה תמלול לזול כי היא נדיבה. היא הפכה אותו לזול כי היא צריכה שתשתמשו במודלים שלה ולא במודלים של OpenAI - וזה דווקא מצוין בשבילכם. כשענקיות טכנולוגיה נלחמות ביניהן על מי יתמחר הכי נמוך, העסקים הקטנים הם אלה שקוצרים את הפירות. וזו רק ההתחלה.