Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 převádí zaznamenanou řeč na text v 60 jazycích s automatickým určením jazyka a přepínáním jazyků. Přidává rozlišení mluvčích, časování slov, nápovědu klíčových slov a čistý či doslovný styl pro záznamy schůzek, titulky, prohledávatelný zvuk a odborné diktování.

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions microsoft/mai-transcribe-2

O modelu

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

Microsoft AI MAI-Transcribe 2 je edice pro převod zaznamenaného zvuku z řeči na text z druhé generace přepisovací rodiny Microsoftu. Převádí mluvený obsah do písemného textu v 60 jazycích s automatickým určením jazyka a podporou řeči přepínající mezi jazyky. Model přidává rozlišení mluvčích, časování na úrovni slov a volitelné styly přepisu. Užitečnými výstupy jsou přepis schůzky s přiřazením mluvčích, prohledávatelný záznam rozhovoru, data zarovnání titulků nebo ověřený diktát s odbornou terminologií.

Nahrávku připravte se zachovaným mluveným materiálem. Výrobce uvádí vstupy WAV, MP3 a FLAC. Původní zvuk uchovejte pro porovnání nejistých slov, jmen a čísel s rozpoznaným textem. Nahrávka může obsahovat hluk v pozadí či proměnlivou kvalitu mikrofonu, s čímž má model pracovat, ale kontrola se má stále soustředit na nejasné nebo překrývající se pasáže. U rozhovoru zachovejte posloupnost replik a pauz místo odstraňování kontextu pomáhajícího vyložit odpověď.

Automatické rozpoznání jazyka je užitečné, když jazyk není předem znám. Zdokumentovaná sada 60 jazyků zahrnuje angličtinu, ruštinu, čínštinu, japonštinu, korejštinu, arabštinu, francouzštinu, němčinu, španělštinu, indonéštinu, malajštinu, thajštinu a vietnamštinu. Přepínání jazyků zahrnuje přirozené změny mezi jazyky včetně smíšených dvojic jako Hinglish nebo Spanglish. Rozhraní výrobce přijímá také jednu jazykovou nápovědu, kterou popisuje jako silný pokyn. Použijte ji jen tehdy, když je nahrávka skutečně v uvedeném jazyce, místo vnucování jednoho očekávaného jazyka vícejazyčné konverzaci.

Nápověda klíčových slov dodává oborové termíny, zkratky, názvy produktů a vlastní jména, které by jinak mohlo být obtížné rozlišit podle zvuku. Připravte cílený seznam související s nahrávkou, například název projektu, produktovou řadu nebo odborná slova použitá v diskusi. Průvodce obsluhou je popisuje jako nápovědy pro rozpoznávání, nikoli vynucené shody. U technické přednášky zahrňte přesné zápisy pojmenovaných přístrojů a odborných termínů a poté ověřte, zda je přepis umísťuje tam, kde skutečně zazněly. Dodaný termín nedokazuje, že jej mluvčí vyslovil.

Styl výstupu volte podle zamýšleného výsledku. Verbatim, zdokumentovaná výchozí volba, zachovává výplňová slova, nedokončené začátky a vlastní opravy. Clean odstraňuje neplynulosti pro čitelnější přepis. Záznam určený ke zkoumání průběhu konverzace může zachovat zaváhání a opravu; čitelný přepis lekce může použít vyčištěné znění. Původní zvuk uchovávejte u obou výsledků. Vyčištění zlepšuje prezentaci mluveného textu a nemá být považováno za samostatný souhrn nebo nový výklad významu mluvčího.

Rozlišení mluvčích odděluje repliky podle detekovaného mluvčího a časové značky na úrovni slov dodávají časový posun a délku každého slova. Obslužné rozhraní nabízí také časování úseků nebo žádné časování. Úseky se dělí podle jazyka a při zapnutém rozlišení mluvčích také podle mluvčího. Časová pole používají milisekundy a mohou podporovat navigaci, vyhledávání a úpravy. Označení rozlišují detekované mluvčí; přiřazení označení ke jménu účastníka je samostatný krok kontroly. U titulků používejte ověřené časy slov k přípravě čitelných skupin místo předpokladu, že výsledek rozpoznávání je již hotovým titulkovým souborem.

Modelová karta uvádí maximální velikost souboru 300 MB a dvě hodiny. Odkazovaná synchronní reference REST pro zdokumentované rozhraní 2025-10-15 naopak vyžaduje soubor menší než 250 MB a kratší než dvě hodiny. Jde o odlišně zveřejněná omezení modelové karty a obsluhy; připravte soubor v příslušném limitu obslužného rozhraní. Průvodce MAI rovněž uvádí, že rozlišení mluvčích podporuje kratší nahrávky než přepis bez rozlišení. Je-li potřeba přiřazení mluvčích, uspořádejte dlouhý materiál s více mluvčími do soudržných oddílů a pro pozdější kontrolu uchovejte polohu oddílu v původní nahrávce.

Zdokumentovaným výstupem jsou strukturovaná přepisová data: úplný text, fráze a na vyžádání informace o mluvčích a časování. Fráze může nést text, jazyk, časový posun a délku; časování slov může propojit rozpoznané slovo se zvukem. U prohledávatelného archivu zachovejte tyto vztahy, aby nalezený termín vedl zpět k nahrávce. V postupu pro schůzky se ověřený přepis stává vstupem pro pozdější shrnutí či extrakci úkolů. Výsledkem hlasového modelu je rozpoznaný obsah, nikoli nezávisle ověřený popis rozhodnutí schůzky.

Rozdíl verzí je konkrétní. MAI-Transcribe 1.5 pokrývá 43 jazyků, zatímco tato edice 60 a přidává zdokumentované rozlišení mluvčích, časové značky slov a ovládání Clean/Verbatim. MAI-Transcribe 2 Streaming je samostatný model pro průběžný přepis v reálném čase s vlastními funkcemi; jeho latence prvního částečného výsledku nepopisuje tuto edici pro zaznamenaný zvuk. Před použitím jako zdroje pro titulky, citace či odvozený dokument ověřte přepis vůči zvuku z hlediska jmen, čísel, střídání mluvčích a vícejazyčných pasáží.

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions microsoft/mai-transcribe-2

microsoft/mai-transcribe-2

Microsoft AI /microsoft/mai-transcribe-2

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-2	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 $0.2 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 $0.00005555555555555556 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-2', '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-2

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

microsoft/mai-transcribe-2

FAQ · Microsoft AI: MAI-Transcribe 2

Jaké vstupy a výsledky jsou dostupné?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: audio → text
Jaká pole požadavek používá?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Jaké limity platí?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: temperature.minimum: 0; temperature.maximum: 1

Microsoft AI: MAI-Transcribe 2