Transkrypcja mowy za ułamek dawnej ceny. Co zmienia nowy model Microsoftu dla firm obsługujących dużo audio

Rozpoznawanie mowy przez długi czas było technologią drogą albo niedokładną. Zwykle obydwoje naraz. Firmy, które chciały automatycznie przepisywać nagrania z rozmów telefonicznych, szkoleń czy spotkań, albo płaciły sporo za modele chmurowe, albo godziły się na błędy, które potem ktoś musiał ręcznie poprawiać. Microsoft właśnie mocno zmienił rachunek ekonomiczny tej układanki.

Nowy model do transkrypcji audio kosztuje dziesięć centów za godzinę nagrania. Pięć miesięcy temu poprzednia wersja tego samego narzędzia kosztowała trzy razy tyle. Jeśli firma przetwarza sto tysięcy godzin rocznie, mówimy o różnicy rzędu dwudziestu kilku tysięcy dolarów w skali roku. Przy takich liczbach transkrypcja przestaje być pozycją, o której dyskutuje się na przeglądach budżetu. Staje się czymś, co po prostu działa w tle.

Microsoft twierdzi, że nowy model jest przy tym szybszy i dokładniejszy niż oferta konkurencji. Niezależna weryfikacja takich deklaracji zawsze wymaga czasu, ale sam ruch cenowy jest faktem. I wpisuje się w szerszą strategię: firma buduje własne modele do kolejnych modalności i systematycznie zastępuje nimi technologie, które dotychczas kupowała na zewnątrz.

Co to oznacza dla polskich firm

Call center i obsługa klienta. Tu efekt jest najbardziej bezpośredni. Firmy, które nagrywają rozmowy z klientami, mają teraz realną szansę na automatyczną transkrypcję każdej rozmowy bez przepłacania. A z transkrypcji można wyciągnąć analizę sentymentu, powody kontaktu, najczęstsze zastrzeżenia przed zakupem. To są dane, które dział sprzedaży i obsługi powinien mieć od dawna, a nie miał, bo zebranie ich było za drogie albo za wolne.

Sprzedaż i nagrania spotkań. Handlowcy rozmawiają, a notatki ze spotkań są albo niepełne, albo ich nie ma. Automatyczna transkrypcja połączona z modelem językowym potrafi wyciągnąć z rozmowy zobowiązania, kolejne kroki i sygnały zakupowe. Przy cenie rzędu kilku groszy za godzinę nagrania bariera finansowa praktycznie znika.

HR i rekrutacja. Nagrywanie rozmów rekrutacyjnych i ich transkrypcja to obszar, który wiele firm odkłada ze względu na koszt i organizację. Tańsze rozpoznawanie mowy obniża próg, od którego taka praktyka zaczyna mieć sens. Zamiast polegać na notatkach rekrutera, można porównywać odpowiedzi kandydatów na te same pytania w ustandaryzowany sposób.

Marketing i content. Podcasty, webinary, nagrania ze szkoleń wewnętrznych, wszystko to można teraz przepisać na tekst i przerobić na artykuły, streszczenia, FAQ. Koszt przepisania godziny webinaru spada do kilkunastu groszy. Barierą przestaje być budżet, a zaczyna być pomysł na to, co z tym tekstem zrobić.

Jeśli wasza firma produkuje dużo audio i dotąd nie przetwarzała go automatycznie, warto sprawdzić, gdzie ta zmiana cenowa otwiera nowe możliwości. Chętnie to razem przeanalizujemy podczas bezpłatnego audytu.