Microsoft AI MAI-Transcribe 2 er tale-til-tekst-udgaven til optaget lyd i Microsofts anden generations transskriptionsfamilie. Den omdanner talt indhold til skriftlig tekst på tværs af 60 sprog med automatisk sprogidentifikation og understøttelse af tale, der skifter mellem sprog. Modellen tilføjer taleradskillelse, tidskodning på ordniveau og valgbare transskriptionsstilarter. Nyttige resultater omfatter en mødetransskription med talertilskrivning, en søgbar interviewregistrering, data til tidsjustering af undertekster eller kontrolleret diktering med specialistterminologi.
Forbered optagelsen med det talte materiale intakt. Producenten angiver WAV, MP3 og FLAC som input. Hold den oprindelige lyd tilgængelig, så usikre ord, navne og tal kan sammenlignes med den genkendte tekst. En optagelse kan indeholde baggrundsstøj eller varierende mikrofonkvalitet, som modellen er udviklet til at håndtere, men gennemgangen bør stadig fokusere på uklare eller overlappende passager. Ved et interview skal du bevare rækkefølgen af taleture og pauser frem for at fjerne den kontekst, der hjælper med at fortolke et svar.
Automatisk sproggenkendelse er nyttig, når sproget ikke kendes på forhånd. Det dokumenterede sæt med 60 sprog omfatter engelsk, russisk, kinesisk, japansk, koreansk, arabisk, fransk, tysk, spansk, indonesisk, malajisk, thai og vietnamesisk. Sprogskift dækker naturlige ændringer mellem sprog, herunder blandede par som Hinglish eller Spanglish. Producentens grænseflade accepterer også ét sproghint, som den beskriver som en stærk instruktion. Brug kun dette, når optagelsen faktisk er på det angivne sprog, frem for at tvinge en flersproget samtale ind i ét forventet sprog.
Vægtning af nøgleord leverer domænespecifikke termer, forkortelser, produktnavne og egennavne, som ellers kan være vanskelige at skelne ud fra lyden. Forbered en fokuseret liste knyttet til optagelsen, som projektnavnet, en produktlinje eller tekniske ord brugt i diskussionen. Driftsvejledningen beskriver dem som genkendelseshints frem for tvungne match. Ved en teknisk forelæsning skal du medtage den præcise stavemåde for navngivne instrumenter og specialisttermer og derefter kontrollere, om transskriptionen placerer dem dér, hvor de faktisk blev sagt. En leveret term er ikke dokumentation for, at taleren sagde den.
Vælg outputstilen efter det tilsigtede resultat. Verbatim, den dokumenterede standard, bevarer fyldord, afbrudte sætningsstarter og selvrettelser. Clean fjerner ujævnheder i talestrømmen for at give en mere læsbar transskription. En registrering, der bruges til at undersøge, hvordan en samtale forløb, kan bevare tøven og rettelser; en læsbar lektionstransskription kan bruge den rensede ordlyd. Bevar den oprindelige lyd sammen med begge typer resultat. Rensning forbedrer præsentationen af den talte tekst og bør ikke betragtes som et separat sammendrag eller en ny fortolkning af, hvad taleren mente.
Taleradskillelse opdeler taleturene efter den registrerede taler, og tidsstempler på ordniveau leverer en forskydning og varighed for hvert ord. Driftsgrænsefladen tilbyder også segmenttidskodning eller ingen tidskodning. Segmenter opdeles efter sprog og, når taleradskillelse er aktiveret, efter taler. Tidsfelter bruger millisekunder og kan understøtte navigation, søgning og redigering. Betegnelserne adskiller registrerede talere; at knytte en betegnelse til en deltagers navn er et separat gennemgangstrin. Til undertekster skal du bruge kontrollerede ordtider til at forberede læsbare tekstblokke frem for at antage, at genkendelsesresultatet allerede er en færdig undertekstfil.
Modelkortet angiver en maksimal filstørrelse på 300 MB og to timer. Den linkede synkrone REST-reference for den dokumenterede 2025-10-15-grænseflade kræver derimod en fil på mindre end 250 MB og kortere end to timer. Det er forskellige offentliggjorte modelkort- og driftsgrænser; forbered en fil inden for den gældende driftskapacitet. MAI-vejledningen angiver også, at taleradskillelse understøtter kortere optagelser end transskription uden taleradskillelse. Organiser langt materiale med flere talere i sammenhængende afsnit, når talertilskrivning kræves, og bevar afsnittets position i den oprindelige optagelse til senere gennemgang.
Det dokumenterede output er strukturerede transskriptionsdata: den fulde tekst, fraser og, når det ønskes, oplysninger om talere og tidskodning. En frase kan indeholde sin tekst, sit sprog, sin forskydning og sin varighed; ordtidskodning kan knytte et genkendt ord til lyden. Ved et søgbart arkiv skal du bevare disse sammenhænge, så en fundet term kan føre tilbage til optagelsen. Ved en mødearbejdsgang bliver en kontrolleret transskription input til senere opsummering eller udtræk af handlingspunkter. Talemodellens resultat er det genkendte indhold og ikke en uafhængigt verificeret redegørelse for mødets beslutninger.
Versionsforskellen er konkret. MAI-Transcribe 1.5 dækker 43 sprog, mens denne udgave dækker 60 og tilføjer de dokumenterede indstillinger for taleradskillelse, ordtidsstempler og clean/verbatim. MAI-Transcribe 2 Streaming er en separat model til trinvis transskription i realtid med sit eget funktionssæt; dens latenstid til det første delresultat beskriver ikke denne udgave til optaget lyd. Kontroller transskriptionen mod lyden for navne, tal, taleture og passager med blandede sprog, før den bruges som kilde til undertekster, citater eller et afledt dokument.
", "aboutText": "Microsoft AI MAI-Transcribe 2 er tale-til-tekst-udgaven til optaget lyd i Microsofts anden generations transskriptionsfamilie. Den omdanner talt indhold til skriftlig tekst på tværs af 60 sprog med automatisk sprogidentifikation og understøttelse af tale, der skifter mellem sprog. Modellen tilføjer taleradskillelse, tidskodning på ordniveau og valgbare transskriptionsstilarter. Nyttige resultater omfatter en mødetransskription med talertilskrivning, en søgbar interviewregistrering, data til tidsjustering af undertekster eller kontrolleret diktering med specialistterminologi.\n\nForbered optagelsen med det talte materiale intakt. Producenten angiver WAV, MP3 og FLAC som input. Hold den oprindelige lyd tilgængelig, så usikre ord, navne og tal kan sammenlignes med den genkendte tekst. En optagelse kan indeholde baggrundsstøj eller varierende mikrofonkvalitet, som modellen er udviklet til at håndtere, men gennemgangen bør stadig fokusere på uklare eller overlappende passager. Ved et interview skal du bevare rækkefølgen af taleture og pauser frem for at fjerne den kontekst, der hjælper med at fortolke et svar.\n\nAutomatisk sproggenkendelse er nyttig, når sproget ikke kendes på forhånd. Det dokumenterede sæt med 60 sprog omfatter engelsk, russisk, kinesisk, japansk, koreansk, arabisk, fransk, tysk, spansk, indonesisk, malajisk, thai og vietnamesisk. Sprogskift dækker naturlige ændringer mellem sprog, herunder blandede par som Hinglish eller Spanglish. Producentens grænseflade accepterer også ét sproghint, som den beskriver som en stærk instruktion. Brug kun dette, når optagelsen faktisk er på det angivne sprog, frem for at tvinge en flersproget samtale ind i ét forventet sprog.\n\nVægtning af nøgleord leverer domænespecifikke termer, forkortelser, produktnavne og egennavne, som ellers kan være vanskelige at skelne ud fra lyden. Forbered en fokuseret liste knyttet til optagelsen, som projektnavnet, en produktlinje eller tekniske ord brugt i diskussionen. Driftsvejledningen beskriver dem som genkendelseshints frem for tvungne match. Ved en teknisk forelæsning skal du medtage den præcise stavemåde for navngivne instrumenter og specialisttermer og derefter kontrollere, om transskriptionen placerer dem dér, hvor de faktisk blev sagt. En leveret term er ikke dokumentation for, at taleren sagde den.\n\nVælg outputstilen efter det tilsigtede resultat. Verbatim, den dokumenterede standard, bevarer fyldord, afbrudte sætningsstarter og selvrettelser. Clean fjerner ujævnheder i talestrømmen for at give en mere læsbar transskription. En registrering, der bruges til at undersøge, hvordan en samtale forløb, kan bevare tøven og rettelser; en læsbar lektionstransskription kan bruge den rensede ordlyd. Bevar den oprindelige lyd sammen med begge typer resultat. Rensning forbedrer præsentationen af den talte tekst og bør ikke betragtes som et separat sammendrag eller en ny fortolkning af, hvad taleren mente.\n\nTaleradskillelse opdeler taleturene efter den registrerede taler, og tidsstempler på ordniveau leverer en forskydning og varighed for hvert ord. Driftsgrænsefladen tilbyder også segmenttidskodning eller ingen tidskodning. Segmenter opdeles efter sprog og, når taleradskillelse er aktiveret, efter taler. Tidsfelter bruger millisekunder og kan understøtte navigation, søgning og redigering. Betegnelserne adskiller registrerede talere; at knytte en betegnelse til en deltagers navn er et separat gennemgangstrin. Til undertekster skal du bruge kontrollerede ordtider til at forberede læsbare tekstblokke frem for at antage, at genkendelsesresultatet allerede er en færdig undertekstfil.\n\nModelkortet angiver en maksimal filstørrelse på 300 MB og to timer. Den linkede synkrone REST-reference for den dokumenterede 2025-10-15-grænseflade kræver derimod en fil på mindre end 250 MB og kortere end to timer. Det er forskellige offentliggjorte modelkort- og driftsgrænser; forbered en fil inden for den gældende driftskapacitet. MAI-vejledningen angiver også, at taleradskillelse understøtter kortere optagelser end transskription uden taleradskillelse. Organiser langt materiale med flere talere i sammenhængende afsnit, når talertilskrivning kræves, og bevar afsnittets position i den oprindelige optagelse til senere gennemgang.\n\nDet dokumenterede output er strukturerede transskriptionsdata: den fulde tekst, fraser og, når det ønskes, oplysninger om talere og tidskodning. En frase kan indeholde sin tekst, sit sprog, sin forskydning og sin varighed; ordtidskodning kan knytte et genkendt ord til lyden. Ved et søgbart arkiv skal du bevare disse sammenhænge, så en fundet term kan føre tilbage til optagelsen. Ved en mødearbejdsgang bliver en kontrolleret transskription input til senere opsummering eller udtræk af handlingspunkter. Talemodellens resultat er det genkendte indhold og ikke en uafhængigt verificeret redegørelse for mødets beslutninger.\n\nVersionsforskellen er konkret. MAI-Transcribe 1.5 dækker 43 sprog, mens denne udgave dækker 60 og tilføjer de dokumenterede indstillinger for taleradskillelse, ordtidsstempler og clean/verbatim. MAI-Transcribe 2 Streaming er en separat model til trinvis transskription i realtid med sit eget funktionssæt; dens latenstid til det første delresultat beskriver ikke denne udgave til optaget lyd. Kontroller transskriptionen mod lyden for navne, tal, taleture og passager med blandede sprog, før den bruges som kilde til undertekster, citater eller et afledt dokument.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1acddc78a86a3785d6211f03d203ff5312322edc91c70850a756ffaace2824d9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "microsoft/mai-transcribe-2Microsoft AI MAI-Transcribe 2 omdanner optaget tale til tekst på tværs af 60 sprog med automatisk sprogidentifikation og sprogskift. Den tilføjer taleradskillelse, ordtidskodning, vægtning af nøgleord og rensede eller ordrette stilarter til mødereferater, undertekster, søgbar lyd og specialiseret diktering.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Microsoft AI MAI-Transcribe 2 er tale-til-tekst-udgaven til optaget lyd i Microsofts anden generations transskriptionsfamilie. Den omdanner talt indhold til skriftlig tekst på tværs af 60 sprog med automatisk sprogidentifikation og understøttelse af tale, der skifter mellem sprog. Modellen tilføjer taleradskillelse, tidskodning på ordniveau og valgbare transskriptionsstilarter. Nyttige resultater omfatter en mødetransskription med talertilskrivning, en søgbar interviewregistrering, data til tidsjustering af undertekster eller kontrolleret diktering med specialistterminologi.
Forbered optagelsen med det talte materiale intakt. Producenten angiver WAV, MP3 og FLAC som input. Hold den oprindelige lyd tilgængelig, så usikre ord, navne og tal kan sammenlignes med den genkendte tekst. En optagelse kan indeholde baggrundsstøj eller varierende mikrofonkvalitet, som modellen er udviklet til at håndtere, men gennemgangen bør stadig fokusere på uklare eller overlappende passager. Ved et interview skal du bevare rækkefølgen af taleture og pauser frem for at fjerne den kontekst, der hjælper med at fortolke et svar.
Automatisk sproggenkendelse er nyttig, når sproget ikke kendes på forhånd. Det dokumenterede sæt med 60 sprog omfatter engelsk, russisk, kinesisk, japansk, koreansk, arabisk, fransk, tysk, spansk, indonesisk, malajisk, thai og vietnamesisk. Sprogskift dækker naturlige ændringer mellem sprog, herunder blandede par som Hinglish eller Spanglish. Producentens grænseflade accepterer også ét sproghint, som den beskriver som en stærk instruktion. Brug kun dette, når optagelsen faktisk er på det angivne sprog, frem for at tvinge en flersproget samtale ind i ét forventet sprog.
Vægtning af nøgleord leverer domænespecifikke termer, forkortelser, produktnavne og egennavne, som ellers kan være vanskelige at skelne ud fra lyden. Forbered en fokuseret liste knyttet til optagelsen, som projektnavnet, en produktlinje eller tekniske ord brugt i diskussionen. Driftsvejledningen beskriver dem som genkendelseshints frem for tvungne match. Ved en teknisk forelæsning skal du medtage den præcise stavemåde for navngivne instrumenter og specialisttermer og derefter kontrollere, om transskriptionen placerer dem dér, hvor de faktisk blev sagt. En leveret term er ikke dokumentation for, at taleren sagde den.
Vælg outputstilen efter det tilsigtede resultat. Verbatim, den dokumenterede standard, bevarer fyldord, afbrudte sætningsstarter og selvrettelser. Clean fjerner ujævnheder i talestrømmen for at give en mere læsbar transskription. En registrering, der bruges til at undersøge, hvordan en samtale forløb, kan bevare tøven og rettelser; en læsbar lektionstransskription kan bruge den rensede ordlyd. Bevar den oprindelige lyd sammen med begge typer resultat. Rensning forbedrer præsentationen af den talte tekst og bør ikke betragtes som et separat sammendrag eller en ny fortolkning af, hvad taleren mente.
Taleradskillelse opdeler taleturene efter den registrerede taler, og tidsstempler på ordniveau leverer en forskydning og varighed for hvert ord. Driftsgrænsefladen tilbyder også segmenttidskodning eller ingen tidskodning. Segmenter opdeles efter sprog og, når taleradskillelse er aktiveret, efter taler. Tidsfelter bruger millisekunder og kan understøtte navigation, søgning og redigering. Betegnelserne adskiller registrerede talere; at knytte en betegnelse til en deltagers navn er et separat gennemgangstrin. Til undertekster skal du bruge kontrollerede ordtider til at forberede læsbare tekstblokke frem for at antage, at genkendelsesresultatet allerede er en færdig undertekstfil.
Modelkortet angiver en maksimal filstørrelse på 300 MB og to timer. Den linkede synkrone REST-reference for den dokumenterede 2025-10-15-grænseflade kræver derimod en fil på mindre end 250 MB og kortere end to timer. Det er forskellige offentliggjorte modelkort- og driftsgrænser; forbered en fil inden for den gældende driftskapacitet. MAI-vejledningen angiver også, at taleradskillelse understøtter kortere optagelser end transskription uden taleradskillelse. Organiser langt materiale med flere talere i sammenhængende afsnit, når talertilskrivning kræves, og bevar afsnittets position i den oprindelige optagelse til senere gennemgang.
Det dokumenterede output er strukturerede transskriptionsdata: den fulde tekst, fraser og, når det ønskes, oplysninger om talere og tidskodning. En frase kan indeholde sin tekst, sit sprog, sin forskydning og sin varighed; ordtidskodning kan knytte et genkendt ord til lyden. Ved et søgbart arkiv skal du bevare disse sammenhænge, så en fundet term kan føre tilbage til optagelsen. Ved en mødearbejdsgang bliver en kontrolleret transskription input til senere opsummering eller udtræk af handlingspunkter. Talemodellens resultat er det genkendte indhold og ikke en uafhængigt verificeret redegørelse for mødets beslutninger.
Versionsforskellen er konkret. MAI-Transcribe 1.5 dækker 43 sprog, mens denne udgave dækker 60 og tilføjer de dokumenterede indstillinger for taleradskillelse, ordtidsstempler og clean/verbatim. MAI-Transcribe 2 Streaming er en separat model til trinvis transskription i realtid med sit eget funktionssæt; dens latenstid til det første delresultat beskriver ikke denne udgave til optaget lyd. Kontroller transskriptionen mod lyden for navne, tal, taleture og passager med blandede sprog, før den bruges som kilde til undertekster, citater eller et afledt dokument.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser microsoft/mai-transcribe-2 | Standard— |
Feltinput_audio | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
Feltlanguage | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Minimum: 0 Maksimum: 1 | Standard— |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser json, verbose_json | Standardjson |
Felttimestamp_granularities | Typearray | KravValgfrit | Værdier og grænser | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input_audio |
Parametermaterial_types | Kontraktaudio |
Parametermaterial_conditions | KontraktLæs en faktisk WAV-fil, og kod dens reelle bytes til det angivne JSON input_audio; der annonceres ingen multipart-rute for denne præcise specifikation, som kun bruger JSON. |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
De viste satser bruges til at anslå omkostningen før genereringen. Det endelige beløb beregnes ud fra den registrerede omkostning for den oprindelige generering. Den målte varighed af outputtet og de anslåede mængder er ikke den endelige fakturerbare mængde.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Forventet mængde | Afregningsenhed | Beløb |
|---|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Forventet mængde— | Afregningsenhed— | Beløb Input · Inputtokens · Estimat kun til sammenligning — / 1K tokens Output · Outputtokens · Estimat kun til sammenligning — / 1K tokens Input · Cachelæsning · Estimat kun til sammenligning — / 1K tokens Input · Cacheskrivning · Estimat kun til sammenligning — / 1K tokens Input · Cacheskrivning, 1 time · Estimat kun til sammenligning — / 1K tokens |
| Konfigurationtime inputlyd | Takstplan— | Forventet mængde— | Afregningsenhedpr. time lydinput | Beløb Input · time inputlyd · Estimat kun til sammenligning $0.2 pr. time lydinput |
| KonfigurationAnslået genereringsomkostning | Takstplan— | Forventet mængdeestimat for én generering | Afregningsenhed— | Beløb Output · Anslået genereringsomkostning · Estimat kun til sammenligning $0.00005555555555555556 estimat før generering Dette estimat er hverken et ekstra gebyr eller en fast pris for den færdige generering. |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'microsoft/mai-transcribe-2', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.
Gem det returnerede X-Client-Request-ID til afstemning. Brug kun faktisk returnerede task_id/asset_id-værdier eller dit eget mediebibliotek til læseanmodninger; opbyg aldrig en opgave-URL ud fra operations-ID’et, og send aldrig oprettelsesanmodningen igen.
| Felt | Type |
|---|---|
Felttext | Type |
Feltusage | Type |
Feltsegments[] | Type |
Feltwords[] | Type |
Feltspeaker fields | Type |
Felttimestamps | Type |
Ailoot Ultra microsoft/mai-transcribe-2
Brug metodestierne vist ovenfor.