Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 převádí zaznamenanou řeč na text ve 43 jazycích s automatickým určením jazyka a zaměřením na různé přízvuky a nahrávky s hlukem. Modelová karta popisuje oborovou nápovědu klíčových slov pro jména a odborné termíny. Přepis použijte jako základ ověřených poznámek nebo titulků.

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions microsoft/mai-transcribe-1.5

O modelu

Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.

Microsoft AI MAI-Transcribe 1.5 je model pro převod zaznamenaného zvuku z řeči do písemného obsahu. Jeho konkrétní modelová karta popisuje rozpoznávání ve 43 jazycích, automatické určení jazyka a odolnost vůči různým přízvukům, dialektům, stylům mluvy a hlučným podmínkám. Edice rozšiřuje sadu 25 jazyků MAI-Transcribe 1 o osmnáct jazyků. Užitečným výsledkem je písemná řeč z přednášky, rozhovoru, hovoru či hlasové poznámky, připravená k ověření vůči nahrávce před další úpravou nebo analýzou.

Připravte úplnou srozumitelnou nahrávku v jednom z formátů uvedených výrobcem: WAV, MP3 nebo FLAC. Uchovejte původní soubor a případné rozdělení na oddíly, aby bylo možné přepis porovnat se zvukem. U přednášky zachovejte fráze kolem odborného termínu místo vyjmutí pouze obtížného slova. U hlasové poznámky zachovejte opravu měnící jméno, čas nebo číslo. Okolní řeč poskytuje kontext pro rozpoznání toho, co bylo řečeno, a poslechová kontrola může určit místa potřebující opravu výstupu.

Automatické určení jazyka umožňuje zpracovat nahrávku bez nutnosti předem vybrat jazyk. Sada 43 jazyků zahrnuje angličtinu, francouzštinu, němčinu, italštinu, španělštinu, hindštinu, čínštinu, japonštinu, korejštinu, arabštinu, indonéštinu, ruštinu, thajštinu a vietnamštinu. Přidané jazyky zahrnují bulharštinu, katalánštinu, řečtinu, ukrajinštinu a několik jihoasijských jazyků. Ověřte, že zamýšlený jazyk patří do sady této edice, místo přebírání širšího pokrytí MAI-Transcribe 2. U vícejazyčných sbírek uchovávejte jazyk nahrávky s ověřeným textem, aby navazující úpravy odpovídaly skutečnému mluvenému obsahu.

Modelová karta 1.5 popisuje nápovědu klíčových slov či entit až s 200 termíny a vydání vysvětluje její účel: zpřístupnit pravděpodobná jména, zkratky a odborná slova jako kontext. Výrobce popisuje kontextové nápovědy místo slepého vnucování dodaných slov do výsledku. Připravte relevantní slovník, například název projektu, technický přístroj nebo správný zápis jména osoby probírané v nahrávce. Terminologii používejte jako kontext skutečné nahrávky a rozpoznané termíny ověřujte vůči řeči.

Pro zaznamenanou technickou lekci připravte názvy probíraných přístrojů a přesný zápis případné projektové zkratky. Přesné zápisy vložte do cíleného terminologického seznamu a uchovejte jej spolu se zvukem a přepisem. Výskyty ověřujte vůči mluveným pasážím místo považování položky slovníku za důkaz shody. Podobně znějící jména mohou stále potřebovat kontrolu. Výsledek má zachovat skutečně vyslovená slova včetně opravy či upřesnění měnícího jejich význam.

Výrobce zdůrazňuje výkon na reálném zvuku včetně hluku v pozadí a různých podmínek mikrofonů. Praktická kontrola se může zaměřit na pasáže se souběžnou řečí, tichými hlasy nebo slovy částečně překrytými jiným zvukem. Nejistoty propojte s odpovídající zvukovou pasáží místo jejich doplňování předpoklady o tématu. Věrohodná věta může stále obsahovat nesprávné vlastní jméno či číslo. U přepisu hovoru je užitečným výstupem ověřený záznam mluveného obsahu pro pozdější analýzu, nikoli odhad úmyslu volajícího.

Konkrétní modelová karta 1.5 uvádí maximální velikost souboru 300 MB a dvě hodiny. Odkazovaná synchronní reference REST pro přepis popisuje přísnější obslužný vstup: méně než 250 MB a kratší než dvě hodiny. Jde o samostatně uvedené limity modelové karty a rozhraní. Připravujte soubory v mezích zamýšleného rozhraní a delší materiály organizujte na smysluplných hranicích nahrávky. Limit velikosti souboru se týká kódovaného zvuku, zatímco limit délky se týká trvání řečového záznamu; ani jeden nedefinuje kontextové okno textového modelu.

Ukázkový výstup modelové karty je JSON obsahující délku nahrávky a spojený rozpoznaný text. Text se může stát přístupným přepisem, scénářem pro titulky nebo vstupem pro pozdější shrnování a vyhledávání. Seskupování titulků a zarovnání k nahrávce vyžadují samostatnou přípravu, pokud výsledek neobsahuje potřebná časová data. U záznamů rozhovorů vyžaduje přiřazení repliky ke konkrétnímu účastníkovi samostatně ověřený záznam toho, kdo mluvil. Rozpoznané znění a zvuk zachovejte jako základ těchto pozdějších výstupů.

Hranice edice jsou při plánování výstupu důležité. Karta 1.5 výslovně řadí rozlišení mluvčích mimo podporované schopnosti a srovnání verzí výrobce přiřazuje časové značky slov a ovládání čistého/doslovného stylu MAI-Transcribe 2. Nativní streamovací model je také samostatná edice. Tato varianta 1.5 se proto soustředí na rozpoznaný text z nahrávek a zdokumentovaný oborový kontext, aniž by do výsledku zahrnovala funkce mluvčích, časování či živého vstupu jiné edice. Před přípravou citované pasáže, titulkové stopy nebo odvozeného dokumentu ověřte jména, čísla, odborné termíny a nejasnou řeč.

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions microsoft/mai-transcribe-1.5

microsoft/mai-transcribe-1.5

Microsoft AI /microsoft/mai-transcribe-1.5

Úvod

Přijímané vstupy: Zvuk
Výsledky: Text

Dostupné v Ailoot · vstupy a metody

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požadavek	Hodnoty a limity	Výchozí
Pole`model`	Typ`string`	PožadavekPovinné	Hodnoty a limity microsoft/mai-transcribe-1.5	Výchozí—
Pole`input_audio`	Typ`object`	PožadavekPovinné	Hodnoty a limity	Výchozí—
Pole`language`	Typ`string`	PožadavekVolitelné	Hodnoty a limity	Výchozí—
Pole`temperature`	Typ`number`	PožadavekVolitelné	Hodnoty a limity Minimum: 0 Maximum: 1	Výchozí—
Pole`response_format`	Typ`string`	PožadavekVolitelné	Hodnoty a limity json, verbose_json	Výchozíjson
Pole`timestamp_granularities`	Typ`array`	PožadavekVolitelné	Hodnoty a limity	Výchozí—
Pole`provider`	Typ`object`	PožadavekVolitelné	Hodnoty a limity	Výchozí—

Parametry a životní cyklus metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input_audio
Parametr`material_types`	Kontraktaudio
Parametr`material_conditions`	KontraktNačtěte skutečný soubor WAV a zakódujte jeho skutečné bajty pro deklarovaný vstup JSON input_audio; pro tuto přesnou deklaraci omezenou na JSON se nenabízí žádná trasa multipart.

Životní cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Tarify

Jak se vypočítá konečný poplatek

Zobrazené sazby slouží k odhadu ceny před generováním. Konečný poplatek se vypočítá z nákladů zaznamenaných u původního generování. Naměřená délka výstupu ani odhadovaná množství nejsou konečným účtovaným množstvím.

Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.

Rychlý režim: Neuvedeno Při výběru rychlého režimu
Režim flex: Neuvedeno Při výběru režimu flex
Maximální intenzita uvažování: Neuvedeno Když se při maximální intenzitě uvažování použije výchozí úprava (default)

Odhadované sazby pro srovnání

Ceny podle konfigurace

Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.

Konfigurace	Tabulka sazeb	Předpokládané množství	Účtovací jednotka	Poplatek
KonfiguraceZákladní sazby za tokeny	Tabulka sazebZákladní sazba	Předpokládané množství—	Účtovací jednotka—	Poplatek Vstup · Vstupní tokeny · Odhad pouze pro srovnání — / 1K tokenů Výstup · Výstupní tokeny · Odhad pouze pro srovnání — / 1K tokenů Vstup · Čtení z mezipaměti · Odhad pouze pro srovnání — / 1K tokenů Vstup · Zápis do mezipaměti · Odhad pouze pro srovnání — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina · Odhad pouze pro srovnání — / 1K tokenů
Konfiguracehodina vstupního zvuku	Tabulka sazeb—	Předpokládané množství—	Účtovací jednotkaza hodinu vstupního zvuku	Poplatek Vstup · hodina vstupního zvuku · Odhad pouze pro srovnání $0.72 za hodinu vstupního zvuku
KonfiguraceOdhadovaná cena generování	Tabulka sazeb—	Předpokládané množstvíodhad pro jedno generování	Účtovací jednotka—	Poplatek Výstup · Odhadovaná cena generování · Odhad pouze pro srovnání $0.0002 odhad před generováním Tento odhad není dodatečným poplatkem ani pevnou sazbou za dokončené generování.

Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →

Příklady požadavků

Ailoot Ultra · Přepis řeči

curl · přesné nativní tělo požadavku a úplný výsledek

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'microsoft/mai-transcribe-1.5', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.

Přijímání a ukládání výsledků

Ailoot Ultra · Přepis řeči

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Další načtení obsahu

Načíst existující soubory, které vám patří

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Uchovejte úplnou odpověď a hlavičky, všechny skutečné výstupy, původní vrácené identifikátory a všechna pole s údaji o využití. Obnovte původní operaci bez opětovného odeslání požadavku na vytvoření.

Pokud je nutné ověřit původní odpověď

Uchovejte vrácené X-Client-Request-ID pro spárování záznamů. Načítejte pouze skutečně vrácené hodnoty task_id/asset_id nebo vlastní knihovnu médií; nikdy nevytvářejte URL úlohy z ID operace a nikdy znovu neodesílejte požadavek na vytvoření.

Pole odpovědi

Pole	Typ
Pole`text`	Typ
Pole`usage`	Typ
Pole`segments[]`	Typ
Pole`words[]`	Typ
Pole`speaker fields`	Typ
Pole`timestamps`	Typ

Aliasy

Aliasy modelu

Ailoot Ultra microsoft/mai-transcribe-1.5

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

microsoft/mai-transcribe-1.5

FAQ · Microsoft AI: MAI-Transcribe 1.5

Jaké vstupy a výsledky jsou dostupné?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: audio → text
Jaká pole požadavek používá?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Jaké limity platí?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: temperature.minimum: 0; temperature.maximum: 1

Microsoft AI: MAI-Transcribe 1.5