Gambaran Umum: Tiga Pendekatan Berbeda ke Transkripsi AI
Transkripsi AI akurasi tinggi adalah proses mengubah audio menjadi teks menggunakan model ucapan berbasis kecerdasan buatan yang diukur dengan metrik seperti word error rate, kecepatan pemrosesan, dan kemampuan diarisasi pembicara untuk berbagai bahasa dan skenario penggunaan profesional. Dalam perbandingan layanan transkripsi ini, Voxtral Small Transcribe 3, Gemini 3.5 Transcribe, dan MAI-Transcribe-2 sama‑sama berada di kelas teratas, tetapi dengan filosofi produk yang berbeda. Voxtral menonjol di atribusi pembicara dan ekosistem agen suara, Gemini fokus pada pembersihan dan pemformatan transkrip, sementara MAI-Transcribe-2 menekan biaya dan memaksimalkan kecepatan pemrosesan audio. Untuk kebutuhan praktis, pilihan Anda akan bergeser antara akurasi diarisasi pembicara AI, fleksibilitas pengeditan, dan throughput masif. Kesimpulan singkatnya: Voxtral untuk analitik percakapan multi-pembicara, Gemini untuk transkrip siap pakai, dan MAI-Transcribe-2 untuk volume besar dengan anggaran ketat.
Akurasi: Seberapa Dekat ke Transkrip Sempurna?
Jika fokus Anda adalah transkripsi AI akurasi tinggi, ketiga model ini berada di liga yang sama. Pada papan independen Artificial Analysis, Voxtral Small Transcribe 3 mencatat 2,1% AA-WER, sedangkan Gemini 3.5 Transcribe berada di 2,6% AA-WER. MAI-Transcribe-2 bahkan sedikit lebih baik dengan 2,0% AA-WER, unggul tipis 0,1 poin dari Voxtral, selisih yang dinilai terlalu kecil untuk dijadikan dasar keputusan sendiri. Di benchmark FLEURS, Voxtral dan MAI-Transcribe-2 sama‑sama mencapai 4,1% untuk forced-language dan 4,0% untuk inferred language. Kutipan yang layak dicatat: “Jadi cerita akurasinya adalah: kedua model ini berada di kelas akurasi yang sama, dikonfirmasi secara independen, dengan Microsoft secara nominal unggul dengan selisih yang terlalu kecil untuk ditindaklanjuti.” Artinya, perbedaan nyata di lapangan lebih banyak datang dari fitur sekitar akurasi, bukan dari angka WER murni.
Harga dan Kecepatan: Mana yang Paling Efisien untuk Volume Besar?
Dari sisi harga transkripsi otomatis dan kecepatan pemrosesan audio, MAI-Transcribe-2 adalah pilihan paling agresif. Sumber menyebut Microsoft mengenakan biaya sekitar sepersepuluh dari Mistral per jam audio, dengan throughput sekitar empat setengah kali lebih cepat. Artificial Analysis mengukur faktor kecepatan: MAI-Transcribe-2 mencapai 308,8×, sedangkan Voxtral Small Transcribe 3 hanya 66,6×. Secara praktis, pengarsipan 1.000 jam audio selesai sekitar 3,2 jam di MAI-Transcribe-2 dibanding sekitar 15 jam di Voxtral pada perangkat keras acuan. Gemini 3.5 Transcribe berada di tengah: tarif per menitnya lebih tinggi daripada Voxtral, sementara Voxtral sendiri diposisikan sebagai substitusi API transkripsi dengan tarif per menit lebih murah dari Gemini. Karena tidak ada angka rupiah, yang bisa Anda pegang adalah bahwa MAI-Transcribe-2 cocok untuk batch raksasa, Voxtral untuk volume menengah dengan fokus fitur, dan Gemini untuk kasus yang butuh pemrosesan lanjutan per menit tanpa mengejar throughput ekstrem.
| Aspek | Voxtral Small Transcribe 3 | Gemini 3.5 Transcribe | MAI-Transcribe-2 |
|---|---|---|---|
| AA-WER (lebih rendah lebih baik) | 2,1% | 2,6% | 2,0% |
| WER FLEURS (forced / inferred) | 4,1% / 4,0% | - | 4,1% / 4,0% |
| Throughput relatif | 66,6× | Tidak dipublikasikan | 308,8× |
| Posisi harga relatif | Lebih murah dari Gemini per menit | Lebih mahal dari Voxtral per menit | Sekitar 1/10 biaya Voxtral per jam audio |
Diarisasi Pembicara dan Fitur: Di Mana Perbedaan Nyata Terjadi
Untuk diarisasi pembicara AI, Voxtral Small Transcribe 3 tampil paling meyakinkan di atas kertas. Mistral melaporkan WER min-permutation terkonkatenasi 18,4% untuk Voxtral, dibandingkan 38,4% untuk Gemini 3.5 Transcribe pada tabel yang sama. Untuk MAI-Transcribe-2, angka diarisasi berada di 20,3%, sedikit di atas baseline Pyannote Orchestrator 19,0% dan masih dekat dengan Voxtral. Namun, perlu dicatat bahwa klaim 38,4% Gemini berasal dari harness milik Mistral sendiri, sementara Google tidak menerbitkan angka diarisasi pembanding; dokumentasi Google hanya menyebut diarisasi hingga delapan pembicara dan status “eksperimental” untuk tiga pembicara atau lebih. Gemini unggul di fitur pasca-transkripsi: diarisasi sampai delapan pembicara, kosakata kustom hingga seribu istilah, pembersihan ketidaklancaran, koreksi diri, dan dukungan 85+ lokal. Voxtral menawarkan diarisasi yang diklaim lebih baik, timestamp native, dan integrasi dengan pipeline agen suara. MAI-Transcribe-2 tidak seagresif Gemini di fitur editing, tetapi mengimbangi dengan kecepatan dan biaya.
Keterbatasan Bersama dan Cara Memilih: Akurasi vs Biaya vs Kecepatan
Ada dua catatan penting sebelum memutuskan. Pertama, tabel benchmark vendor tidak mencatat bagaimana API ucapan gagal di produksi; insiden nyata dikatalogkan terpisah dengan tingkat keparahan dan status sengketa. Kedua, ketiga model ini bukan model open-weight: Voxtral tidak menerbitkan bobot, lisensi, maupun jumlah parameter dan menyarankan implementasi mandiri lewat kontak tim, sementara MAI-Transcribe-2 hanya tersedia melalui platform resmi tanpa opsi bobot terbuka yang diumumkan. Pilihan layanan sangat bergantung pada prioritas Anda. Jika akurasi diarisasi dan analitik percakapan adalah inti produk, Voxtral lebih masuk akal. Jika Anda butuh transkrip bersih dengan pemformatan otomatis, kosakata kustom, dan dukungan locale luas, Gemini lebih menarik. Jika target utama adalah biaya rendah dan kecepatan pemrosesan maksimal untuk volume besar, MAI-Transcribe-2 adalah kandidat utama.
- Buy the Voxtral Small Transcribe 3 if atribusi pembicara adalah produk utama Anda (catatan rapat, QA panggilan, kepatuhan) dan Anda ingin akurasi tinggi dengan diarisasi kuat.
- Skip the Voxtral Small Transcribe 3 if kebutuhan utama Anda adalah memproses ribuan jam audio secepat mungkin dengan biaya serendah mungkin, karena throughput-nya jauh di bawah MAI-Transcribe-2.
- Buy the Gemini 3.5 Transcribe if Anda mengutamakan transkrip yang sudah dibersihkan, dengan penghapusan kata pengisi, pemformatan terstruktur, kosakata kustom, dan dukungan 85+ lokal.
- Skip the Gemini 3.5 Transcribe if Anda membutuhkan diarisasi pembicara yang terukur ketat dan dapat dibuktikan, karena Google belum menerbitkan skor diarisasi setara dan klaim pihak lain menunjukkan gap besar.
- Buy the MAI-Transcribe-2 if Anda mentranskripsi dalam volume besar, audio dominan di bahasa yang didukung baik, dan ingin kombinasi akurasi setara Voxtral dengan throughput 308,8× serta biaya sekitar sepersepuluh per jam.
- Skip the MAI-Transcribe-2 if Anda memerlukan fitur pemformatan lanjutan, kosakata kustom besar, atau integrasi agen suara yang menjadi fokus utama Voxtral dan Gemini.
