في 3 سبتمبر 2026 أعلنت مايكروسوفت عن نموذج MAI-Transcribe-2 لتحويل الكلام إلى نص، وصنّفته بأنه «أسرع وأدق وأرخص نموذج تفريغ صوتي في العالم» — بحسب صفحة الإعلان الرسمية. العنوان قد يبدو ضجيجاً تسويقياً اعتدنا عليه، لكن الأرقام المنشورة تستحق وقفة من كل صانع محتوى يفرّغ بودكاست أو مقابلات أو فيديوهات أسبوعياً: سعر محدود بـ0.10 دولار للساعة الصوتية حتى نهاية العام، وسرعة تصل إلى عشرة أضعاف بعض المنافسين المباشرين، ومعدل خطأ متوسط 5.2% عبر 60 لغة على معيار FLEURS القياسي. في هذا الدليل نشرح النموذج بالتفصيل: ماذا يقدم فعلاً، كيف تجربه اليوم مجاناً، ماذا يعني للعربية، وهل يستحق أن تغيّر أداتك الحالية أم لا.
ما هو MAI-Transcribe-2 ولماذا الأرقام مهمة؟
Transcribe-2 هو الجيل الثاني من عائلة مايكروسوفت لتحويل الكلام إلى نص، خلفاً لإصدار أول أطلق في أبريل 2026. ثلاث مجموعات من الأرقام المنشورة في الإعلان تلخص القصة:
- الدقة: المركز الأول على معيار FLEURS بمعدل خطأ (WER) متوسط 5.2% عبر 60 لغة، بعد أن كان الجيل الأول يغطي 43 لغة. وعلى لوحة Artificial Analysis المستقلة لتفريغ الكلام يحتل المركز الثاني.
- السرعة: أسرع بعشرة أضعاف من GPT-Transcribe، وسبعة أضعاف من ElevenLabs Scribe v2، وخمسة أضعاف من Gemini 3.5 Transcribe — بحسب مقارنات مايكروسوفت المنشورة.
- السعر: 0.10 دولار لكل ساعة صوتية كعرض محدود حتى نهاية 2026، بخفض 72% من سعر الجيل الأول (0.36 دولار للساعة).
لماذا تهم السرعة تحديداً وليس الدقة فقط؟ لأن صانع المحتوى لا يفرّغ تسجيلاً واحداً؛ يفرّغ أرشيفاً. الفارق بين نموذج ينهي ساعة صوت في دقيقة ونموذج ينهيها في عشر دقائق هو الفارق بين مشروع يكتمل مساء أو يُؤجّل أسبوعاً. والسرعة هي ميزة التفريغ التي تُختبر فعلياً في الإنتاج الحقيقي وليس في العروض التوضيحية.
وحتى نكون منصفين بمنهجية واحدة: هذه الأرقام من إعلان مايكروسوفت نفسها، والمقارنات على معايير قياسية معروفة لكنها تبقى بيئة مخبرية. الأداء على تسجيلاتك أنت — بلهجة جمهورك وضجيج مقابلاتك الميدانية — هو الاختبار الحقيقي، وسنشرح بعد قليل كيف تجريه في دقيقتين.
كيف تجرب MAI-Transcribe-2 اليوم؟
النموذج متاح عبر ثلاثة مسارات، وكلها مفتوحة أمام المطورين وصناع المحتوى التقنيين:
- MAI Playground على playground.microsoft.ai: أسهل نقطة بداية. اختر نموذج mai-transcribe-2 من القائمة الجانبية، ثم سجّل صوتك مباشرة أو ارفع ملف mp3 أو wav وانتظر النص. الواجهة نسخة معاينة محدودة كما تُعلن مايكروسوفت في الصفحة نفسها، لكنها كاملة الوظيفة للتجربة.
- Microsoft Foundry: منصة مايكروسوفت للمطورين لبناء تطبيقات فوق النموذج ضمن بيئة إنتاجية كاملة، وهي المسار الطبيعي لمن يبني منتجاً يخدم جمهوراً.
- OpenRouter: بوابة النماذج الموحدة التي تتيح استدعاء النموذج بنفس مفتاح API الذي تستخدمه لنماذج أخرى — وهي الطريقة الأسرع لمن يريد مقارنة النماذج جنباً إلى جنب دون فتح حسابات جديدة.
للتجربة العملية نصيحتان: ارفع أولاً مقطعاً من محتواك الحقيقي لا تسجيلاً مخبرياً نظيفاً، لأن اختبار الضجيج واللهجة هو ما يكشف قيمة النموذج. وثانياً جرّب ميزة «الكلمات المفتاحية الموجهة» (keyword biasing) إن أردت دقة في أسماء العلامات والمصطلحات المتخصصة — اشرحها للنموذج مسبقاً فتنخفض أخطاء الأسماء التجارية بشكل ملحوظ.
المزايا التي تفرق عملياً في الاستخدام الحقيقي
خلف رقم الدقة الإجمالي تختبئ قائمة مزايا هي التي تحدد تجربتك اليومية:
- فصل المتحدثين (Diarization): يعرف النص «من قال ماذا» في المقابلات متعددة الأصوات — وهذا وحده يحول ساعة تنظيف يدوي إلى دقائق.
- طوابع زمنية على مستوى الكلمة: لكل كلمة توقيتها، وهو ما يبني عليه المرء ترجمة متزامنة للفيديو وقصاً دقيقاً للمقاطع ومحتوى قصيراً من الحوار الطويل.
- وضعان للإخراج: وضع «حرفي» يبقي كل ترددات الكلام والتلعثم، ووضع «منقّح» ينظف النص للنشر — واختيارك بينهما يحدد ناتجك النهائي من نفس التسجيل.
- الكلمات المفتاحية الموجهة: أعطِ النموذج قائمة بأسماء منتجاتك ومصطلحات مجالك فيلتزم بها بدل تخمينها.
- التعامل مع تبديل اللغات (Code-switching): الجمل العربية الممزوجة بالإنجليزية — وهي واقع كل محتوى تقني عربي — تُفرَّغ بكلتيهما بدل الانهيار أو التجاهل.
- تحديد اللغة تلقائياً: لا تحتاج إعلان لغة التسجيل مسبقاً.
- صمود أمام الضجيج: تسجيلات ميدانية ومقاهٍ وورش عمل، لا استوديو معزول.
هذه القائمة مجتمعة هي الفرق بين «نموذج يفهم الكلام» و«أداة إنتاج تُستخدم يوم الاثنين صباحاً». ميزات مثل فصل المتحدثين والطوابع الزمنية تحديداً هي التي تحوّل التفريغ من نهاية سير العمل إلى مادة خام تبني منها كل شيء آخر: مقالات، منشورات، ترجمات، مقاطع قصيرة.
العربية وMAI-Transcribe-2: ما المؤكد وما غير المؤكد
هنا يجب أن نكون دقيقين أكثر من أي قسم آخر في المقال. معيار FLEURS الذي تصدّره النموذج يشمل اللغة العربية ضمن لغاته الأصلية (102 لغة في تصميم المعيار)، وقدرة النموذج على 60 لغة «متوسطاً» تعني نظرياً حضوراً قوياً للغات كثيرة. لكن مايكروسوفت لم تنشر حتى كتابة هذه السطور القائمة التفصيلية للغات الستين، وبالتالي لا نستطيع أن نؤكد أن العربية ضمنها ولا أن ننفي ذلك — ومن يخبرك بغير ذلك فهو يخمّن.
الطريقة العملية للحسم تحتاج دقيقتين: افتح صفحة النموذج في MAI Playground، ارفع مقطعاً صوتياً عربياً من محتواك (يفضل بلهجتك الحقيقية لا لغة إعلامية مصقولة)، وشاهد النتيجة بنفسك. إن كانت الجودة ممتازة فقد ربحت أرخص وأسرع بديل تفريغ متاح اليوم؛ وإن لم تكن كذلك فالمشهد يضم بدائل قوية نغطيها في دليلنا لتفريغ الصوت بجيميناي 3.5.
ماذا يعني هذا لك كصانع محتوى؟
التفريغ ليس ميزة تقنية مجردة؛ إنه عنق الزجاجة الذي يمر به كل محتوى صوتي قبل أن يتضاعف. إليك الصورة العملية:
- من حلقة بودكاست إلى ثلاث مواد: فرّغ الحلقة (ساعة بـ0.10 دولار تقريباً في العرض الحالي)، ثم حوّل النص إلى مقال للمدونة، ومنه ثلاثة منشورات، ومنه اقتباسات مصورة بالطوابع الزمنية — سير عمل كامل انخفضت كلفته إلى ما دون قهوة واحدة.
- ترجمة وترجمات فيديو أدق: الطوابع الزمنية على مستوى الكلمة تجعل بناء ملفات ترجمة متزامنة (SRT/ VTT) شبه آلي، فتفتح فيديوهاتك لجمهور أوسع بكلفة لا تذكر.
- أرشيفك يصبح قابلاً للبحث: مئات الساعات من التسجيلات القديمة تتحول إلى نص مفهرس تعود إليه بالبحث، فتتوقف عن إعادة تسجيل ما سجلته سابقاً.
- المقابلات الميدانية: ميزة فصل المتحدثين مع الصمود أمام الضجيج تعني أن مقابلة الورشة أو المعرض لم تعد كابوس تنظيف.
- بناء منتج فوق النموذج: إن كنت مطوراً أو مَن يبني أدوات، فسعر 0.10 دولار للساعة يجعل تطبيق تفريغ عربي متخصص مشروعاً اقتصادياً للمرة الأولى.
تذكير بالسياق الأوسع الذي نكرره دائماً: التفريغ حلقة واحدة في سلسلة. إن أردت الخط كاملاً — من الفكرة إلى النص المحسّن للنشر إلى الجدولة — فأدوات مثل الكاتب الآلي في ARWriter وقائمة الأدوات المتكاملة تبني على ناتج التفريغ مباشرة بدل أن يتناثر بين عشر تبويبات.
سير عمل عملي: من تسجيل واحد إلى خمس مواد
لترى القيمة الحقيقية للنموذج، إليك كيف يبدو أسبوع صانع محتوى ذكي بعد دخول التفريغ الرخيص السريع إلى خط إنتاجه:
- التسجيل (ساعة): حلقة بودكاست أو مقابلة، كما اعتدت، بلا أي تغيير في طريقة عملك.
- التفريغ (دقائق): رفع الملف عبر الواجهة أو الـAPI بوضع «منقّح» للحوار، مع تفعيل فصل المتحدثين وتمرير قائمة بأسماء الضيوف والمنتجات كمفاتيح موجهة.
- المادة الأولى — نص الحلقة (نصف ساعة): مراجعة بشرية سريعة للنص، تقسيمه بعناوين، ونشره بصفحة الحلقة لصعوبات تخص محركات البحث.
- المادة الثانية — مقال مستقل: أجمل ثلاث نقاط في الحوار تتحول لمقال رأي للمدونة، والنص المفرَّغ يختصر الكتابة من الصفر إلى التحرير فقط.
- المواد الثالثة والرابعة — منشورات اجتماعية: ثلاثة اقتباسات قوية بالطوابع الزمنية تصير مقاطع قصيرة، وعشر جمل مفتاحية تصير منشورات مجدولة.
- المادة الخامسة — نشرة بريدية: ملخص من مئتي كلمة يُبنى على النص نفسه ويُرسل لمشتركي القائمة.
النتيجة: ساعة تسجيل واحدة أنتجت خمس مواد منشورة على خمس منصات، والمُدخل الجديد الذي جعل هذا ممكناً اقتصادياً هو تفريغ كامل بجودة عالية بكلفة عشر سنتات ووقت دقائق. قبل هذه الجيل من الأدوات كان التفريغ وحده يلتهم ميزانية الأسبوع أو يُستبدل بعمل يدوي مرهق يُنهي الحماس قبل المادة الثانية.
قبل أن ترفع الصوت: تحضير صغير يرفع الدقة كثيراً
جودة النص لا تعتمد على النموذج وحده؛ الملف الذي تُدخله يصنع نصف النتيجة. ثلاث عادات بسيطة ترفع دقة أي أداة تفريغ تستخدمها:
- أفضل مصدر صوتي ممكن: تسجيل من ميكروفون الحاسب يفقد تفاصيل يلتقطها لاقط خارجي بسيط. إن كان المحتوى أهم أعمالك فالاستثمار في لاقط ميسور يعود عليك في كل حلقة، لا في التفريغ فقط.
- أعلن المصطلحات مسبقاً: ابدأ تسجيلك بذكر أسماء الضيوف والمنتجات والمصطلحات بشكل واضح — بعض هذه الأدوات تلتقطها من السياق لاحقاً، كما أن القائمة الموجهة تساعد النموذج عندما توفرها له.
- لا تخلط المقاطع الطويلة جداً في ملف واحد: ملف بحلقة كاملة (90 دقيقة) يعمل، لكن تقسيمه إلى أجزاء بعشرين دقيقة يجعل إدارة النصوص الناتجة ومعالجتها أسرع وأرتب.
مقارنة سريعة: أين يقف Transcribe-2 من بدائلك؟
| الخيار | نقطة القوة | ملاحظات عملية |
|---|---|---|
| MAI-Transcribe-2 | السرعة والسعر الحالي (0.10$/ساعة حتى نهاية 2026) والمركز الأول على FLEURS عبر 60 لغة | أسرع 10x من GPT-Transcribe و7x من Scribe v2 و5x من Gemini 3.5 Transcribe بحسب مايكروسوفت؛ قائمة اللغات التفصيلية غير منشورة — اختبر العربية بنفسك |
| Gemini 3.5 Transcribe | تكامل مع منظومة جوجل ونص واعٍ بالسياق | دقة ممتازة وأبطأ من Transcribe-2 بخمسة أضعاف في مقارنات مايكروسوفت — غطّيناه بالتفصيل في مقال مستقل |
| ElevenLabs Scribe v2 | جودة صوتيات منظومة ElevenLabs المتكاملة | أبطأ بسبعة أضعاف في المقارنة ذاتها؛ مناسب لمن يستخدم منظومة الأصوات أصلاً |
| Whisper مفتوح المصدر | تشغيل محلي مجاني وخصوصية كاملة | يتطلب جهازاً قوياً أو صبراً طويلاً، وبدون مزايا إنتاجية مثل فصل المتحدثين بالجودة ذاتها |
| التفريغ اليدوي (فريلانسر) | جودة بشرية وتدقيق لغوي كامل | كلفة أعلى بعشرات الأضعاف وزمن تسليم بالأيام — يبقى للنصوص الحساسة جداً |
حدود وعيوب يجب أن تعرفها
- السعر عرض محدود زمنياً: صياغة الإعلان واضحة: 0.10 دولار للساعة «حتى نهاية العام» (2026). لا تبني نموذج عمل على سعر انتهائي — احسب جدواك بسعر ما بعد العرض حين يُعلن.
- أداة مطورين أولاً: لا يوجد تطبيق جاهز للمستخدم العادي؛ التجربة عبر Playground بسيطة لكن الاستخدام الجاد يحتاج API أو واجهة يبنيها أحد. إن لم تكن تقنياً فانتظر التكاملات القادمة أو استخدم منصة تجمع النموذج بواجهة سهلة.
- قائمة اللغات غير منشورة: كما شرحنا في قسم العربية — متوسط 60 لغة لا يعني ضماناً لكل لغة بعينها، واللهجات العامية تظل أصعب من الفصحى في كل النماذج.
- مقارنات من الشركة نفسها: أرقام السرعة والدقة من إعلان مايكروسوفت؛ المنافسون قد ينشرون مقارنات مضادة، والعاقل ينتظر قياسات مستقلة أوسع أو يقيس بنفسه.
- النص المنقّح يحتاج مراجعة بشرية للنشر: وضع «النص النظيف» ممتاز لكنه لا يراجع الحقائق ولا يصحح سياق المجال — مراجعة بشرية سريعة قبل النشر تظل لازمة للمحتوى الرسمي.
أسئلة شائعة عن MAI-Transcribe-2
هل يدعم MAI-Transcribe-2 اللغة العربية؟
المؤكد أن معيار FLEURS الذي تصدّره النموذج يتضمن العربية ضمن لغاته، وأن النموذج يغطي 60 لغة بمتوسط خطأ 5.2%. غير المؤكد: القائمة التفصيلية للغات الستين لم تُنشر، فلا نضمن حضور العربية ضمنها. جرّب بنفسك في MAI Playground بمقطع بلهجتك — دقيقتان تحسمان القرار.
ما سعر النموذج فعلياً؟
0.10 دولار لكل ساعة صوتية كعرض محدود حتى نهاية 2026، بعدما كان الجيل الأول بـ0.36 دولار للساعة. أي أن تفريغ بودكاست مدته ساعة يكلف تقريباً عُشر دولار — أقل من نصف ريال سعودي أو جنيهين مصريين تقريباً بحساب التحويل وقت كتابة المقال.
كيف أجربه دون أي التزام مالي؟
افتح playground.microsoft.ai واختر mai-transcribe-2 من قائمة النماذج، ثم سجّل صوتاً أو ارفع ملف mp3/wav. المعاينة محدودة كما تعلن مايكروسوفت لكنها كافية لتقييم الجودة على محتواك. للمطورين، النموذج متاح أيضاً عبر Microsoft Foundry وOpenRouter.
هل يناسب تفريغ الفيديوهات مباشرة أم الصوت فقط؟
المدخل صوتي (تسجيل أو ملف صوتي)، والفيديو يُستخرج منه الصوت أولاً — خطوة اعتيادية في أي سير عمل تفريغ. الطوابع الزمنية على مستوى الكلمة تعني أن الناتج يتوافق مع مقطع الفيديو الأصلي لبناء ترجمات وقص دقيق.
ما الفرق بينه وبين Whisper المجاني؟
Whisper مجاني لكنه يحتاج جهازاً قوياً ووقتاً أطول بكثير، وبعض مزايا الإنتاج (فصل متحدثين عالي الجودة، وضعا الإخراج، الكلمات الموجهة) لا تصل لمستوى الأدوات التجارية الجديدة. إن كان وقتك أغلى من كلفة الساعة الصوتية فالأدوات المدفوعة أرشد؛ وإن كانت الخصوصية المطلقة شرطاً فالخيار المحلي يظل مفهوماً.
ما الفرق بين وضعي «الحرفي» و«المنقّح»؟
الوضع الحرفي (Verbatim) يفرّغ التسجيل كما جرى تماماً: التكرارات والتلعثم وكلمات الحشو — وهذا الأنسب للأرشيف والاقتباس الدقيق والمواد الرسمية. الوضع المنقّح (Clean read) يزيل الحشو ويرتب الجمل فينتج نصاً أقرب للمقال — وهذا الأنسب للنشر المباشر وصناعة المقالات من الحوارات. والجميل أن كليهما يُولَّد من نفس التسجيل، فتستطيع إخراج النسختين معاً لاستخدامين مختلفين بكلفة مضاعفة قصيرة.
هل يمكن الاعتماد عليه في مشروع تجاري الآن؟
تقنياً نعم عبر Foundry وOpenRouter ببيئة إنتاجية. اقتصادياً احسب الجدوى على السعر بعد انتهاء العرض لا خلاله، وراجع شروط الخدمة الخاصة بمعالجة بيانات عملائك الصوتية إن كان مشروعك يخدم أطرافاً أخرى.
الخلاصة
MAI-Transcribe-2 يدفع صناعة التفريغ خطوة كبيرة نحو أن تصبح «تكلفة لا تُذكر»: أسرع بمرات، وأرخص بعشرات المئات في المئة من التفريغ البشري، وبمزايا إنتاجية كان اللامبالون وحدهم يستغنون عنها. للصانع العربي النصيحة العملية واحدة: خصيص دقيقتين اليوم لتجربة مقطع عربي في Playground — إن صدقت النتيجة فقد وجدت أداة تختصر أسبوع عمل شهرياً، وإن لم تصدح فالبدائل مغطاة عندنا بالتفصيل، وكذلك آخر إصدارات جيميناي للنصوص. وفي الحالين، من يبني سير عمله على التفريغ الآلي — من التسجيل إلى المقال إلى النشر المجدول — يسبق من لا يزال يكتب من الصفر كل مرة.
المصادر
- إعلان مايكروسوفت الرسمي: MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world — microsoft.ai، 3 سبتمبر 2026
- تجربة النموذج: playground.microsoft.ai/?model=mai-transcribe-2 · Microsoft Foundry · OpenRouter
- مقالنا السابق: تفريغ الصوت بجيميناي 3.5 — الدليل الكامل
