Microsoft AI MAI-Transcribe 2 ist die Speech-to-Text-Ausgabe für aufgezeichnetes Audio aus Microsofts Transkriptionsfamilie der zweiten Generation. Sie wandelt gesprochene Inhalte in 60 Sprachen in geschriebenen Text um, mit automatischer Sprachidentifikation und Unterstützung für Sprache, die zwischen Sprachen wechselt. Das Modell ergänzt Sprecherdiarisierung, Zeitangaben auf Wortebene und wählbare Transkriptionsstile. Nützliche Ergebnisse sind eine zugeordnete Sitzungstranskription, eine durchsuchbare Interviewaufzeichnung, Daten zur Untertitelausrichtung oder geprüftes Diktat mit Fachterminologie.
Bereiten Sie die Aufnahme mit vollständig erhaltenem gesprochenem Material vor. Der Hersteller nennt WAV, MP3 und FLAC als Eingaben. Bewahren Sie das Originalaudio auf, um unsichere Wörter, Namen und Zahlen mit dem erkannten Text zu vergleichen. Eine Aufnahme kann Hintergrundgeräusche oder wechselnde Mikrofonqualität enthalten, womit das Modell umgehen soll; die Prüfung sollte sich dennoch auf unklare oder überlappende Passagen konzentrieren. Bewahren Sie bei einem Interview die Abfolge von Beiträgen und Pausen, statt den zur Interpretation einer Antwort hilfreichen Kontext zu entfernen.
Automatische Spracherkennung ist nützlich, wenn die Sprache nicht im Voraus bekannt ist. Der dokumentierte Umfang von 60 Sprachen umfasst Englisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Französisch, Deutsch, Spanisch, Indonesisch, Malaiisch, Thai und Vietnamesisch. Code-Switching umfasst natürliche Sprachwechsel einschließlich gemischter Paare wie Hinglish oder Spanglish. Die Herstellerschnittstelle akzeptiert auch einen einzelnen Sprachhinweis, den sie als starke Anweisung beschreibt. Verwenden Sie ihn nur, wenn die Aufnahme tatsächlich in der angegebenen Sprache vorliegt, statt ein mehrsprachiges Gespräch in eine erwartete Sprache zu zwingen.
Schlüsselworthinweise liefern domänenspezifische Begriffe, Abkürzungen, Produktnamen und Eigennamen, die sonst klanglich schwer zu unterscheiden sein könnten. Bereiten Sie eine gezielte aufnahmebezogene Liste vor, etwa mit Projektnamen, einer Produktlinie oder im Gespräch verwendeten Fachwörtern. Der Bereitstellungsleitfaden beschreibt diese als Erkennungshinweise statt als erzwungene Übereinstimmungen. Fügen Sie bei einem Fachvortrag die genauen Schreibweisen benannter Instrumente und Fachbegriffe hinzu und prüfen Sie anschließend, ob die Transkription sie dort platziert, wo sie tatsächlich gesprochen wurden. Ein bereitgestellter Begriff ist kein Beleg dafür, dass die sprechende Person ihn gesagt hat.
Wählen Sie den Ausgabestil anhand des beabsichtigten Ergebnisses. Verbatim, die dokumentierte Voreinstellung, bewahrt Füllwörter, abgebrochene Ansätze und Selbstkorrekturen. Clean entfernt Sprechunflüssigkeiten für eine besser lesbare Transkription. Eine Aufzeichnung zur Untersuchung des Gesprächsverlaufs kann Zögern und Korrekturen bewahren; eine lesbare Unterrichtstranskription kann bereinigten Wortlaut verwenden. Bewahren Sie neben beiden Ergebnissen das Originalaudio. Bereinigung verbessert die Darstellung des gesprochenen Texts und sollte nicht als separate Zusammenfassung oder neue Interpretation der Sprecherabsicht behandelt werden.
Sprecherdiarisierung trennt Beiträge nach erkannter sprechender Person, und Zeitstempel auf Wortebene liefern Versatz und Dauer für jedes Wort. Die Bereitstellungsschnittstelle bietet auch Segmentzeiten oder den Verzicht auf Zeitangaben. Segmente werden nach Sprache und bei aktivierter Diarisierung nach sprechender Person unterteilt. Zeitfelder verwenden Millisekunden und können Navigation, Suche und Bearbeitung unterstützen. Die Kennzeichnungen unterscheiden erkannte Sprechende; die Zuordnung einer Kennzeichnung zu einem Teilnehmernamen ist ein separater Prüfschritt. Verwenden Sie für Untertitel geprüfte Wortzeiten zur Vorbereitung lesbarer Einblendungsgruppen, statt anzunehmen, das Erkennungsergebnis sei bereits eine fertige Untertiteldatei.
Die Modellkarte nennt eine maximale Dateigröße von 300 MB und zwei Stunden. Die verknüpfte synchrone REST-Referenz für die dokumentierte Schnittstelle 2025-10-15 verlangt dagegen eine Datei kleiner als 250 MB und kürzer als zwei Stunden. Dies sind unterschiedliche veröffentlichte Beschränkungen der Modellkarte und der Bereitstellung; bereiten Sie eine Datei innerhalb des geltenden Bereitstellungsbudgets vor. Der MAI-Leitfaden erklärt zudem, dass Diarisierung kürzere Aufnahmen unterstützt als Transkription ohne Diarisierung. Ordnen Sie langes Material mit mehreren Sprechenden in zusammenhängende Abschnitte, wenn Sprecherzuordnung benötigt wird, und bewahren Sie die Position des Abschnitts in der Originalaufnahme für eine spätere Prüfung.
Die dokumentierte Ausgabe sind strukturierte Transkriptionsdaten: Volltext, Phrasen und auf Anforderung Sprecher- und Zeitinformationen. Eine Phrase kann Text, Sprache, Versatz und Dauer tragen; Wortzeiten können ein erkanntes Wort mit dem Audio verknüpfen. Bewahren Sie diese Beziehungen für ein durchsuchbares Archiv, damit ein gefundener Begriff zur Aufnahme zurückführen kann. Für einen Sitzungsablauf wird eine geprüfte Transkription zur Eingabe für spätere Zusammenfassung oder Aufgabenextraktion. Das Ergebnis des Sprachmodells ist der erkannte Inhalt und keine unabhängig überprüfte Darstellung der Sitzungsentscheidungen.
Der Versionsunterschied ist konkret. MAI-Transcribe 1.5 deckt 43 Sprachen ab, diese Ausgabe hingegen 60 und ergänzt die dokumentierten Regler für Diarisierung, Wortzeitstempel und Clean/Verbatim. MAI-Transcribe 2 Streaming ist ein separates Modell für schrittweise Echtzeittranskription mit eigenen Funktionen; seine Latenz bis zum ersten Teilergebnis beschreibt diese Ausgabe für aufgezeichnetes Audio nicht. Prüfen Sie die Transkription anhand des Audios auf Namen, Zahlen, Sprecherwechsel und gemischtsprachige Passagen, bevor Sie sie als Quelle für Untertitel, Zitate oder ein abgeleitetes Dokument verwenden.
", "aboutText": "Microsoft AI MAI-Transcribe 2 ist die Speech-to-Text-Ausgabe für aufgezeichnetes Audio aus Microsofts Transkriptionsfamilie der zweiten Generation. Sie wandelt gesprochene Inhalte in 60 Sprachen in geschriebenen Text um, mit automatischer Sprachidentifikation und Unterstützung für Sprache, die zwischen Sprachen wechselt. Das Modell ergänzt Sprecherdiarisierung, Zeitangaben auf Wortebene und wählbare Transkriptionsstile. Nützliche Ergebnisse sind eine zugeordnete Sitzungstranskription, eine durchsuchbare Interviewaufzeichnung, Daten zur Untertitelausrichtung oder geprüftes Diktat mit Fachterminologie.\n\nBereiten Sie die Aufnahme mit vollständig erhaltenem gesprochenem Material vor. Der Hersteller nennt WAV, MP3 und FLAC als Eingaben. Bewahren Sie das Originalaudio auf, um unsichere Wörter, Namen und Zahlen mit dem erkannten Text zu vergleichen. Eine Aufnahme kann Hintergrundgeräusche oder wechselnde Mikrofonqualität enthalten, womit das Modell umgehen soll; die Prüfung sollte sich dennoch auf unklare oder überlappende Passagen konzentrieren. Bewahren Sie bei einem Interview die Abfolge von Beiträgen und Pausen, statt den zur Interpretation einer Antwort hilfreichen Kontext zu entfernen.\n\nAutomatische Spracherkennung ist nützlich, wenn die Sprache nicht im Voraus bekannt ist. Der dokumentierte Umfang von 60 Sprachen umfasst Englisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Französisch, Deutsch, Spanisch, Indonesisch, Malaiisch, Thai und Vietnamesisch. Code-Switching umfasst natürliche Sprachwechsel einschließlich gemischter Paare wie Hinglish oder Spanglish. Die Herstellerschnittstelle akzeptiert auch einen einzelnen Sprachhinweis, den sie als starke Anweisung beschreibt. Verwenden Sie ihn nur, wenn die Aufnahme tatsächlich in der angegebenen Sprache vorliegt, statt ein mehrsprachiges Gespräch in eine erwartete Sprache zu zwingen.\n\nSchlüsselworthinweise liefern domänenspezifische Begriffe, Abkürzungen, Produktnamen und Eigennamen, die sonst klanglich schwer zu unterscheiden sein könnten. Bereiten Sie eine gezielte aufnahmebezogene Liste vor, etwa mit Projektnamen, einer Produktlinie oder im Gespräch verwendeten Fachwörtern. Der Bereitstellungsleitfaden beschreibt diese als Erkennungshinweise statt als erzwungene Übereinstimmungen. Fügen Sie bei einem Fachvortrag die genauen Schreibweisen benannter Instrumente und Fachbegriffe hinzu und prüfen Sie anschließend, ob die Transkription sie dort platziert, wo sie tatsächlich gesprochen wurden. Ein bereitgestellter Begriff ist kein Beleg dafür, dass die sprechende Person ihn gesagt hat.\n\nWählen Sie den Ausgabestil anhand des beabsichtigten Ergebnisses. Verbatim, die dokumentierte Voreinstellung, bewahrt Füllwörter, abgebrochene Ansätze und Selbstkorrekturen. Clean entfernt Sprechunflüssigkeiten für eine besser lesbare Transkription. Eine Aufzeichnung zur Untersuchung des Gesprächsverlaufs kann Zögern und Korrekturen bewahren; eine lesbare Unterrichtstranskription kann bereinigten Wortlaut verwenden. Bewahren Sie neben beiden Ergebnissen das Originalaudio. Bereinigung verbessert die Darstellung des gesprochenen Texts und sollte nicht als separate Zusammenfassung oder neue Interpretation der Sprecherabsicht behandelt werden.\n\nSprecherdiarisierung trennt Beiträge nach erkannter sprechender Person, und Zeitstempel auf Wortebene liefern Versatz und Dauer für jedes Wort. Die Bereitstellungsschnittstelle bietet auch Segmentzeiten oder den Verzicht auf Zeitangaben. Segmente werden nach Sprache und bei aktivierter Diarisierung nach sprechender Person unterteilt. Zeitfelder verwenden Millisekunden und können Navigation, Suche und Bearbeitung unterstützen. Die Kennzeichnungen unterscheiden erkannte Sprechende; die Zuordnung einer Kennzeichnung zu einem Teilnehmernamen ist ein separater Prüfschritt. Verwenden Sie für Untertitel geprüfte Wortzeiten zur Vorbereitung lesbarer Einblendungsgruppen, statt anzunehmen, das Erkennungsergebnis sei bereits eine fertige Untertiteldatei.\n\nDie Modellkarte nennt eine maximale Dateigröße von 300 MB und zwei Stunden. Die verknüpfte synchrone REST-Referenz für die dokumentierte Schnittstelle 2025-10-15 verlangt dagegen eine Datei kleiner als 250 MB und kürzer als zwei Stunden. Dies sind unterschiedliche veröffentlichte Beschränkungen der Modellkarte und der Bereitstellung; bereiten Sie eine Datei innerhalb des geltenden Bereitstellungsbudgets vor. Der MAI-Leitfaden erklärt zudem, dass Diarisierung kürzere Aufnahmen unterstützt als Transkription ohne Diarisierung. Ordnen Sie langes Material mit mehreren Sprechenden in zusammenhängende Abschnitte, wenn Sprecherzuordnung benötigt wird, und bewahren Sie die Position des Abschnitts in der Originalaufnahme für eine spätere Prüfung.\n\nDie dokumentierte Ausgabe sind strukturierte Transkriptionsdaten: Volltext, Phrasen und auf Anforderung Sprecher- und Zeitinformationen. Eine Phrase kann Text, Sprache, Versatz und Dauer tragen; Wortzeiten können ein erkanntes Wort mit dem Audio verknüpfen. Bewahren Sie diese Beziehungen für ein durchsuchbares Archiv, damit ein gefundener Begriff zur Aufnahme zurückführen kann. Für einen Sitzungsablauf wird eine geprüfte Transkription zur Eingabe für spätere Zusammenfassung oder Aufgabenextraktion. Das Ergebnis des Sprachmodells ist der erkannte Inhalt und keine unabhängig überprüfte Darstellung der Sitzungsentscheidungen.\n\nDer Versionsunterschied ist konkret. MAI-Transcribe 1.5 deckt 43 Sprachen ab, diese Ausgabe hingegen 60 und ergänzt die dokumentierten Regler für Diarisierung, Wortzeitstempel und Clean/Verbatim. MAI-Transcribe 2 Streaming ist ein separates Modell für schrittweise Echtzeittranskription mit eigenen Funktionen; seine Latenz bis zum ersten Teilergebnis beschreibt diese Ausgabe für aufgezeichnetes Audio nicht. Prüfen Sie die Transkription anhand des Audios auf Namen, Zahlen, Sprecherwechsel und gemischtsprachige Passagen, bevor Sie sie als Quelle für Untertitel, Zitate oder ein abgeleitetes Dokument verwenden.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "810b5ce1d3cadbdd042e3647a0d8437dae6da525c876f15b219915e04bf8f894", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "microsoft/mai-transcribe-2Microsoft AI MAI-Transcribe 2 wandelt aufgezeichnete Sprache in 60 Sprachen mit automatischer Sprachidentifikation und Sprachwechseln in Text um. Es ergänzt Sprecherdiarisierung, Wortzeiten, Schlüsselworthinweise sowie bereinigte oder wortgetreue Stile für Sitzungsprotokolle, Untertitel, durchsuchbares Audio und Fachdiktate.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Microsoft AI MAI-Transcribe 2 ist die Speech-to-Text-Ausgabe für aufgezeichnetes Audio aus Microsofts Transkriptionsfamilie der zweiten Generation. Sie wandelt gesprochene Inhalte in 60 Sprachen in geschriebenen Text um, mit automatischer Sprachidentifikation und Unterstützung für Sprache, die zwischen Sprachen wechselt. Das Modell ergänzt Sprecherdiarisierung, Zeitangaben auf Wortebene und wählbare Transkriptionsstile. Nützliche Ergebnisse sind eine zugeordnete Sitzungstranskription, eine durchsuchbare Interviewaufzeichnung, Daten zur Untertitelausrichtung oder geprüftes Diktat mit Fachterminologie.
Bereiten Sie die Aufnahme mit vollständig erhaltenem gesprochenem Material vor. Der Hersteller nennt WAV, MP3 und FLAC als Eingaben. Bewahren Sie das Originalaudio auf, um unsichere Wörter, Namen und Zahlen mit dem erkannten Text zu vergleichen. Eine Aufnahme kann Hintergrundgeräusche oder wechselnde Mikrofonqualität enthalten, womit das Modell umgehen soll; die Prüfung sollte sich dennoch auf unklare oder überlappende Passagen konzentrieren. Bewahren Sie bei einem Interview die Abfolge von Beiträgen und Pausen, statt den zur Interpretation einer Antwort hilfreichen Kontext zu entfernen.
Automatische Spracherkennung ist nützlich, wenn die Sprache nicht im Voraus bekannt ist. Der dokumentierte Umfang von 60 Sprachen umfasst Englisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Französisch, Deutsch, Spanisch, Indonesisch, Malaiisch, Thai und Vietnamesisch. Code-Switching umfasst natürliche Sprachwechsel einschließlich gemischter Paare wie Hinglish oder Spanglish. Die Herstellerschnittstelle akzeptiert auch einen einzelnen Sprachhinweis, den sie als starke Anweisung beschreibt. Verwenden Sie ihn nur, wenn die Aufnahme tatsächlich in der angegebenen Sprache vorliegt, statt ein mehrsprachiges Gespräch in eine erwartete Sprache zu zwingen.
Schlüsselworthinweise liefern domänenspezifische Begriffe, Abkürzungen, Produktnamen und Eigennamen, die sonst klanglich schwer zu unterscheiden sein könnten. Bereiten Sie eine gezielte aufnahmebezogene Liste vor, etwa mit Projektnamen, einer Produktlinie oder im Gespräch verwendeten Fachwörtern. Der Bereitstellungsleitfaden beschreibt diese als Erkennungshinweise statt als erzwungene Übereinstimmungen. Fügen Sie bei einem Fachvortrag die genauen Schreibweisen benannter Instrumente und Fachbegriffe hinzu und prüfen Sie anschließend, ob die Transkription sie dort platziert, wo sie tatsächlich gesprochen wurden. Ein bereitgestellter Begriff ist kein Beleg dafür, dass die sprechende Person ihn gesagt hat.
Wählen Sie den Ausgabestil anhand des beabsichtigten Ergebnisses. Verbatim, die dokumentierte Voreinstellung, bewahrt Füllwörter, abgebrochene Ansätze und Selbstkorrekturen. Clean entfernt Sprechunflüssigkeiten für eine besser lesbare Transkription. Eine Aufzeichnung zur Untersuchung des Gesprächsverlaufs kann Zögern und Korrekturen bewahren; eine lesbare Unterrichtstranskription kann bereinigten Wortlaut verwenden. Bewahren Sie neben beiden Ergebnissen das Originalaudio. Bereinigung verbessert die Darstellung des gesprochenen Texts und sollte nicht als separate Zusammenfassung oder neue Interpretation der Sprecherabsicht behandelt werden.
Sprecherdiarisierung trennt Beiträge nach erkannter sprechender Person, und Zeitstempel auf Wortebene liefern Versatz und Dauer für jedes Wort. Die Bereitstellungsschnittstelle bietet auch Segmentzeiten oder den Verzicht auf Zeitangaben. Segmente werden nach Sprache und bei aktivierter Diarisierung nach sprechender Person unterteilt. Zeitfelder verwenden Millisekunden und können Navigation, Suche und Bearbeitung unterstützen. Die Kennzeichnungen unterscheiden erkannte Sprechende; die Zuordnung einer Kennzeichnung zu einem Teilnehmernamen ist ein separater Prüfschritt. Verwenden Sie für Untertitel geprüfte Wortzeiten zur Vorbereitung lesbarer Einblendungsgruppen, statt anzunehmen, das Erkennungsergebnis sei bereits eine fertige Untertiteldatei.
Die Modellkarte nennt eine maximale Dateigröße von 300 MB und zwei Stunden. Die verknüpfte synchrone REST-Referenz für die dokumentierte Schnittstelle 2025-10-15 verlangt dagegen eine Datei kleiner als 250 MB und kürzer als zwei Stunden. Dies sind unterschiedliche veröffentlichte Beschränkungen der Modellkarte und der Bereitstellung; bereiten Sie eine Datei innerhalb des geltenden Bereitstellungsbudgets vor. Der MAI-Leitfaden erklärt zudem, dass Diarisierung kürzere Aufnahmen unterstützt als Transkription ohne Diarisierung. Ordnen Sie langes Material mit mehreren Sprechenden in zusammenhängende Abschnitte, wenn Sprecherzuordnung benötigt wird, und bewahren Sie die Position des Abschnitts in der Originalaufnahme für eine spätere Prüfung.
Die dokumentierte Ausgabe sind strukturierte Transkriptionsdaten: Volltext, Phrasen und auf Anforderung Sprecher- und Zeitinformationen. Eine Phrase kann Text, Sprache, Versatz und Dauer tragen; Wortzeiten können ein erkanntes Wort mit dem Audio verknüpfen. Bewahren Sie diese Beziehungen für ein durchsuchbares Archiv, damit ein gefundener Begriff zur Aufnahme zurückführen kann. Für einen Sitzungsablauf wird eine geprüfte Transkription zur Eingabe für spätere Zusammenfassung oder Aufgabenextraktion. Das Ergebnis des Sprachmodells ist der erkannte Inhalt und keine unabhängig überprüfte Darstellung der Sitzungsentscheidungen.
Der Versionsunterschied ist konkret. MAI-Transcribe 1.5 deckt 43 Sprachen ab, diese Ausgabe hingegen 60 und ergänzt die dokumentierten Regler für Diarisierung, Wortzeitstempel und Clean/Verbatim. MAI-Transcribe 2 Streaming ist ein separates Modell für schrittweise Echtzeittranskription mit eigenen Funktionen; seine Latenz bis zum ersten Teilergebnis beschreibt diese Ausgabe für aufgezeichnetes Audio nicht. Prüfen Sie die Transkription anhand des Audios auf Namen, Zahlen, Sprecherwechsel und gemischtsprachige Passagen, bevor Sie sie als Quelle für Untertitel, Zitate oder ein abgeleitetes Dokument verwenden.
POST /v1/audio/transcriptionsaudiotext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits microsoft/mai-transcribe-2 | Standard— |
Feldinput_audio | Typobject | AnforderungErforderlich | Werte und Limits | Standard— |
Feldlanguage | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Minimum: 0 Maximum: 1 | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits json, verbose_json | Standardjson |
Feldtimestamp_granularities | Typarray | AnforderungOptional | Werte und Limits | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input_audio |
Parametermaterial_types | Vertragaudio |
Parametermaterial_conditions | VertragLesen Sie eine tatsächliche WAV-Datei und kodieren Sie deren echte Bytes für die deklarierte JSON-Eingabe input_audio; für diese exakte reine JSON-Deklaration wird keine multipart-Route angeboten. |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Die angezeigten Tarife dienen zur Kostenschätzung vor der Generierung. Der endgültige Betrag wird aus den für die ursprüngliche Generierung erfassten Kosten berechnet. Die gemessene Ausgabedauer und prognostizierte Mengen sind nicht die endgültige abrechenbare Menge.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Prognostizierte Menge | Abrechnungseinheit | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Tokens | TarifstaffelGrundtarif | Prognostizierte Menge— | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken · Schätzung nur zum Vergleich — / 1K Tokens Ausgabe · Ausgabetoken · Schätzung nur zum Vergleich — / 1K Tokens Eingabe · Cache lesen · Schätzung nur zum Vergleich — / 1K Tokens Eingabe · In Cache schreiben · Schätzung nur zum Vergleich — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde · Schätzung nur zum Vergleich — / 1K Tokens |
| KonfigurationAudioeingabestunde | Tarifstaffel— | Prognostizierte Menge— | Abrechnungseinheitpro Stunde Eingabeaudio | Gebühr Eingabe · Audioeingabestunde · Schätzung nur zum Vergleich $0.2 pro Stunde Eingabeaudio |
| KonfigurationGeschätzte Generierungskosten | Tarifstaffel— | Prognostizierte MengeSchätzung für eine Generierung | Abrechnungseinheit— | Gebühr Ausgabe · Geschätzte Generierungskosten · Schätzung nur zum Vergleich $0.00005555555555555556 Schätzung vor der Generierung Diese Schätzung ist weder eine zusätzliche Gebühr noch ein fester Tarif für die abgeschlossene Generierung. |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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.\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Die vollständige Antwort und ihre Header, jede tatsächliche Ausgabe, die ursprünglich zurückgegebenen Kennungen und alle Nutzungsfelder aufbewahren. Den ursprünglichen Vorgang wiederaufnehmen, ohne die Erstellung erneut anzufordern.
Die zurückgegebene X-Client-Request-ID zum Abgleich aufbewahren. Nur tatsächlich zurückgegebene task_id-/asset_id-Werte oder die eigene Medienbibliothek abfragen; niemals eine Aufgaben-URL aus der Vorgangs-ID bilden und die Erstellung niemals erneut anfordern.
| Feld | Typ |
|---|---|
Feldtext | Typ |
Feldusage | Typ |
Feldsegments[] | Typ |
Feldwords[] | Typ |
Feldspeaker fields | Typ |
Feldtimestamps | Typ |
Ailoot Ultra microsoft/mai-transcribe-2
Verwenden Sie die oben angezeigten Methodenpfade.