Microsoft AI MAI-Transcribe 2 ist die Spracherkennungsedition für aufgezeichnetes Audio in Microsofts Transkriptionsfamilie der zweiten Generation. Sie wandelt gesprochene Inhalte in 60 Sprachen in schriftlichen Text um, mit automatischer Erkennung der gesprochenen Sprache und Unterstützung von Sprache, die zwischen Sprachen wechselt. Das Modell ergänzt Sprechertrennung, Zeitangaben auf Wortebene und wählbare Transkriptionsstile. Nützliche Ergebnisse sind ein zugeordnetes Besprechungstranskript, eine durchsuchbare Interviewaufzeichnung, Ausrichtungsdaten für Untertitel oder geprüftes Diktat mit Fachterminologie.
Bereiten Sie die Aufnahme mit unveränderten gesprochenen Inhalten vor. Der Hersteller nennt WAV, MP3 und FLAC als Eingaben. Halten Sie das Originalaudio bereit, um unsichere Wörter, Namen und Zahlen mit dem erkannten Text abzugleichen. Eine Aufnahme kann Hintergrundgeräusche oder wechselnde Mikrofonqualität enthalten, wofür das Modell ausgelegt ist. Die Prüfung sollte sich dennoch auf unklare oder überlappende Passagen konzentrieren. Bewahren Sie bei Interviews die Reihenfolge der Beiträge und Pausen, statt deutungsrelevanten Kontext einer Antwort zu entfernen.
Automatische Erkennung der gesprochenen Sprache ist nützlich, wenn die Sprache nicht im Voraus bekannt ist. Die dokumentierte Gruppe von 60 Sprachen umfasst Englisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Französisch, Deutsch, Spanisch, Indonesisch, Malaiisch, Thai und Vietnamesisch. Sprachwechsel umfassen natürliche Wechsel zwischen Sprachen, einschließlich Mischungen wie Hinglish oder Spanglish. Die Herstellerschnittstelle akzeptiert außerdem einen einzelnen Sprachhinweis, den sie als starke Anweisung beschreibt. Verwenden Sie ihn nur, wenn die Aufnahme tatsächlich in dieser Sprache ist, statt ein mehrsprachiges Gespräch in eine erwartete Sprache zu zwingen.
Schlüsselwortgewichtung liefert Fachbegriffe, Abkürzungen, Produktnamen und Eigennamen, die akustisch sonst schwer zu unterscheiden sein können. Bereiten Sie eine gezielte aufnahmebezogene Liste vor, etwa Projektname, Produktreihe oder in der Diskussion verwendete Fachwörter. Der Bereitstellungsleitfaden beschreibt sie als Erkennungshinweise statt erzwungener Treffer. Fügen Sie bei einem Fachvortrag genaue Schreibweisen benannter Instrumente und Fachbegriffe hinzu und prüfen Sie dann, ob das Transkript sie an den tatsächlich gesprochenen Stellen einsetzt. Ein gelieferter Begriff beweist nicht, dass er gesagt wurde.
Wählen Sie den Ausgabestil nach dem beabsichtigten Ergebnis. Verbatim, der dokumentierte Standard, bewahrt Füllwörter, abgebrochene Ansätze und Selbstkorrekturen. Clean entfernt Sprechunflüssigkeiten für ein lesbareres Transkript. Eine Aufzeichnung zur Untersuchung des Gesprächsverlaufs kann Zögern und Korrekturen bewahren; ein lesbares Unterrichtstranskript kann bereinigten Wortlaut verwenden. Halten Sie das Originalaudio bei beiden Ergebnissen fest. Bereinigung verbessert die Darstellung des gesprochenen Texts und sollte weder als gesonderte Zusammenfassung noch als neue Deutung der Sprecherabsicht gelten.
Sprechertrennung gliedert Beiträge nach erkanntem Sprecher; Wortzeitstempel liefern Versatz und Dauer jedes Wortes. Die Bereitstellungsschnittstelle bietet auch Segmentzeitangaben oder keine Zeitangaben. Segmente werden nach Sprache und bei aktivierter Sprechertrennung auch nach Sprecher aufgeteilt. Zeitfelder verwenden Millisekunden und können Navigation, Suche und Bearbeitung unterstützen. Die Kennzeichnungen unterscheiden erkannte Sprecher; eine Kennzeichnung einem Teilnehmernamen zuzuordnen ist ein gesonderter Prüfschritt. Verwenden Sie für Untertitel geprüfte Wortzeiten zur Vorbereitung lesbarer Einblendungsgruppen, statt das Erkennungsergebnis bereits als fertige Untertiteldatei zu behandeln.
Die Modellkarte nennt maximal 300 MB Dateigröße 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. Das sind unterschiedliche veröffentlichte Modellkarten- und Bereitstellungsbedingungen. Bereiten Sie eine Datei innerhalb des geltenden Bereitstellungsbudgets vor. Der MAI-Leitfaden sagt außerdem, dass Sprechertrennung kürzere Aufnahmen unterstützt als Transkription ohne Sprechertrennung. Ordnen Sie langes Material mit mehreren Sprechern in zusammenhängende Abschnitte, wenn Sprecherzuordnung benötigt wird, und bewahren Sie die Abschnittsposition in der Originalaufnahme zur späteren Prüfung.
Die dokumentierte Ausgabe sind strukturierte Transkriptionsdaten: Gesamttext, Phrasen und auf Wunsch Sprecher- und Zeitinformationen. Eine Phrase kann Text, Sprache, Versatz und Dauer tragen; Wortzeiten können ein erkanntes Wort mit dem Audio verbinden. Bewahren Sie diese Beziehungen für ein durchsuchbares Archiv, damit ein gefundener Begriff zur Aufnahme zurückführen kann. In einem Besprechungsablauf wird ein geprüftes Transkript zur Eingabe späterer Zusammenfassung oder Aufgabenextraktion. Das Ergebnis des Spracherkennungsmodells ist der erkannte Inhalt und kein unabhängig verifizierter Bericht über Besprechungsentscheidungen.
Der Versionsunterschied ist konkret. MAI-Transcribe 1.5 deckt 43 Sprachen ab; diese Edition deckt 60 ab und ergänzt die dokumentierten Regler für Sprechertrennung, Wortzeitstempel und Clean/Verbatim. MAI-Transcribe 2 Streaming ist ein gesondertes Modell für fortlaufende Echtzeittranskription mit eigenem Funktionsumfang. Seine Latenz bis zum ersten Teilergebnis beschreibt diese Edition für aufgezeichnetes Audio nicht. Prüfen Sie vor der Verwendung als Quelle für Untertitel, Zitate oder abgeleitete Dokumente das Transkript anhand des Audios auf Namen, Zahlen, Sprecherwechsel und mehrsprachige Passagen.
", "aboutText": "Microsoft AI MAI-Transcribe 2 ist die Spracherkennungsedition für aufgezeichnetes Audio in Microsofts Transkriptionsfamilie der zweiten Generation. Sie wandelt gesprochene Inhalte in 60 Sprachen in schriftlichen Text um, mit automatischer Erkennung der gesprochenen Sprache und Unterstützung von Sprache, die zwischen Sprachen wechselt. Das Modell ergänzt Sprechertrennung, Zeitangaben auf Wortebene und wählbare Transkriptionsstile. Nützliche Ergebnisse sind ein zugeordnetes Besprechungstranskript, eine durchsuchbare Interviewaufzeichnung, Ausrichtungsdaten für Untertitel oder geprüftes Diktat mit Fachterminologie.\n\nBereiten Sie die Aufnahme mit unveränderten gesprochenen Inhalten vor. Der Hersteller nennt WAV, MP3 und FLAC als Eingaben. Halten Sie das Originalaudio bereit, um unsichere Wörter, Namen und Zahlen mit dem erkannten Text abzugleichen. Eine Aufnahme kann Hintergrundgeräusche oder wechselnde Mikrofonqualität enthalten, wofür das Modell ausgelegt ist. Die Prüfung sollte sich dennoch auf unklare oder überlappende Passagen konzentrieren. Bewahren Sie bei Interviews die Reihenfolge der Beiträge und Pausen, statt deutungsrelevanten Kontext einer Antwort zu entfernen.\n\nAutomatische Erkennung der gesprochenen Sprache ist nützlich, wenn die Sprache nicht im Voraus bekannt ist. Die dokumentierte Gruppe von 60 Sprachen umfasst Englisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Französisch, Deutsch, Spanisch, Indonesisch, Malaiisch, Thai und Vietnamesisch. Sprachwechsel umfassen natürliche Wechsel zwischen Sprachen, einschließlich Mischungen wie Hinglish oder Spanglish. Die Herstellerschnittstelle akzeptiert außerdem einen einzelnen Sprachhinweis, den sie als starke Anweisung beschreibt. Verwenden Sie ihn nur, wenn die Aufnahme tatsächlich in dieser Sprache ist, statt ein mehrsprachiges Gespräch in eine erwartete Sprache zu zwingen.\n\nSchlüsselwortgewichtung liefert Fachbegriffe, Abkürzungen, Produktnamen und Eigennamen, die akustisch sonst schwer zu unterscheiden sein können. Bereiten Sie eine gezielte aufnahmebezogene Liste vor, etwa Projektname, Produktreihe oder in der Diskussion verwendete Fachwörter. Der Bereitstellungsleitfaden beschreibt sie als Erkennungshinweise statt erzwungener Treffer. Fügen Sie bei einem Fachvortrag genaue Schreibweisen benannter Instrumente und Fachbegriffe hinzu und prüfen Sie dann, ob das Transkript sie an den tatsächlich gesprochenen Stellen einsetzt. Ein gelieferter Begriff beweist nicht, dass er gesagt wurde.\n\nWählen Sie den Ausgabestil nach dem beabsichtigten Ergebnis. Verbatim, der dokumentierte Standard, bewahrt Füllwörter, abgebrochene Ansätze und Selbstkorrekturen. Clean entfernt Sprechunflüssigkeiten für ein lesbareres Transkript. Eine Aufzeichnung zur Untersuchung des Gesprächsverlaufs kann Zögern und Korrekturen bewahren; ein lesbares Unterrichtstranskript kann bereinigten Wortlaut verwenden. Halten Sie das Originalaudio bei beiden Ergebnissen fest. Bereinigung verbessert die Darstellung des gesprochenen Texts und sollte weder als gesonderte Zusammenfassung noch als neue Deutung der Sprecherabsicht gelten.\n\nSprechertrennung gliedert Beiträge nach erkanntem Sprecher; Wortzeitstempel liefern Versatz und Dauer jedes Wortes. Die Bereitstellungsschnittstelle bietet auch Segmentzeitangaben oder keine Zeitangaben. Segmente werden nach Sprache und bei aktivierter Sprechertrennung auch nach Sprecher aufgeteilt. Zeitfelder verwenden Millisekunden und können Navigation, Suche und Bearbeitung unterstützen. Die Kennzeichnungen unterscheiden erkannte Sprecher; eine Kennzeichnung einem Teilnehmernamen zuzuordnen ist ein gesonderter Prüfschritt. Verwenden Sie für Untertitel geprüfte Wortzeiten zur Vorbereitung lesbarer Einblendungsgruppen, statt das Erkennungsergebnis bereits als fertige Untertiteldatei zu behandeln.\n\nDie Modellkarte nennt maximal 300 MB Dateigröße 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. Das sind unterschiedliche veröffentlichte Modellkarten- und Bereitstellungsbedingungen. Bereiten Sie eine Datei innerhalb des geltenden Bereitstellungsbudgets vor. Der MAI-Leitfaden sagt außerdem, dass Sprechertrennung kürzere Aufnahmen unterstützt als Transkription ohne Sprechertrennung. Ordnen Sie langes Material mit mehreren Sprechern in zusammenhängende Abschnitte, wenn Sprecherzuordnung benötigt wird, und bewahren Sie die Abschnittsposition in der Originalaufnahme zur späteren Prüfung.\n\nDie dokumentierte Ausgabe sind strukturierte Transkriptionsdaten: Gesamttext, Phrasen und auf Wunsch Sprecher- und Zeitinformationen. Eine Phrase kann Text, Sprache, Versatz und Dauer tragen; Wortzeiten können ein erkanntes Wort mit dem Audio verbinden. Bewahren Sie diese Beziehungen für ein durchsuchbares Archiv, damit ein gefundener Begriff zur Aufnahme zurückführen kann. In einem Besprechungsablauf wird ein geprüftes Transkript zur Eingabe späterer Zusammenfassung oder Aufgabenextraktion. Das Ergebnis des Spracherkennungsmodells ist der erkannte Inhalt und kein unabhängig verifizierter Bericht über Besprechungsentscheidungen.\n\nDer Versionsunterschied ist konkret. MAI-Transcribe 1.5 deckt 43 Sprachen ab; diese Edition deckt 60 ab und ergänzt die dokumentierten Regler für Sprechertrennung, Wortzeitstempel und Clean/Verbatim. MAI-Transcribe 2 Streaming ist ein gesondertes Modell für fortlaufende Echtzeittranskription mit eigenem Funktionsumfang. Seine Latenz bis zum ersten Teilergebnis beschreibt diese Edition für aufgezeichnetes Audio nicht. Prüfen Sie vor der Verwendung als Quelle für Untertitel, Zitate oder abgeleitete Dokumente das Transkript anhand des Audios auf Namen, Zahlen, Sprecherwechsel und mehrsprachige Passagen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5f5ad5fb146a93907f85c5a88a857aef7628d8b9e60c69febb83c069e009f8a6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "microsoft/mai-transcribe-2Microsoft AI MAI-Transcribe 2 wandelt aufgezeichnete Sprache in 60 Sprachen mit automatischer Erkennung der gesprochenen Sprache und Sprachwechseln in Text um. Es ergänzt Sprechertrennung, Wortzeitangaben, Schlüsselwortgewichtung und bereinigten oder wortgetreuen Stil für Besprechungsprotokolle, 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 Spracherkennungsedition für aufgezeichnetes Audio in Microsofts Transkriptionsfamilie der zweiten Generation. Sie wandelt gesprochene Inhalte in 60 Sprachen in schriftlichen Text um, mit automatischer Erkennung der gesprochenen Sprache und Unterstützung von Sprache, die zwischen Sprachen wechselt. Das Modell ergänzt Sprechertrennung, Zeitangaben auf Wortebene und wählbare Transkriptionsstile. Nützliche Ergebnisse sind ein zugeordnetes Besprechungstranskript, eine durchsuchbare Interviewaufzeichnung, Ausrichtungsdaten für Untertitel oder geprüftes Diktat mit Fachterminologie.
Bereiten Sie die Aufnahme mit unveränderten gesprochenen Inhalten vor. Der Hersteller nennt WAV, MP3 und FLAC als Eingaben. Halten Sie das Originalaudio bereit, um unsichere Wörter, Namen und Zahlen mit dem erkannten Text abzugleichen. Eine Aufnahme kann Hintergrundgeräusche oder wechselnde Mikrofonqualität enthalten, wofür das Modell ausgelegt ist. Die Prüfung sollte sich dennoch auf unklare oder überlappende Passagen konzentrieren. Bewahren Sie bei Interviews die Reihenfolge der Beiträge und Pausen, statt deutungsrelevanten Kontext einer Antwort zu entfernen.
Automatische Erkennung der gesprochenen Sprache ist nützlich, wenn die Sprache nicht im Voraus bekannt ist. Die dokumentierte Gruppe von 60 Sprachen umfasst Englisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Französisch, Deutsch, Spanisch, Indonesisch, Malaiisch, Thai und Vietnamesisch. Sprachwechsel umfassen natürliche Wechsel zwischen Sprachen, einschließlich Mischungen wie Hinglish oder Spanglish. Die Herstellerschnittstelle akzeptiert außerdem einen einzelnen Sprachhinweis, den sie als starke Anweisung beschreibt. Verwenden Sie ihn nur, wenn die Aufnahme tatsächlich in dieser Sprache ist, statt ein mehrsprachiges Gespräch in eine erwartete Sprache zu zwingen.
Schlüsselwortgewichtung liefert Fachbegriffe, Abkürzungen, Produktnamen und Eigennamen, die akustisch sonst schwer zu unterscheiden sein können. Bereiten Sie eine gezielte aufnahmebezogene Liste vor, etwa Projektname, Produktreihe oder in der Diskussion verwendete Fachwörter. Der Bereitstellungsleitfaden beschreibt sie als Erkennungshinweise statt erzwungener Treffer. Fügen Sie bei einem Fachvortrag genaue Schreibweisen benannter Instrumente und Fachbegriffe hinzu und prüfen Sie dann, ob das Transkript sie an den tatsächlich gesprochenen Stellen einsetzt. Ein gelieferter Begriff beweist nicht, dass er gesagt wurde.
Wählen Sie den Ausgabestil nach dem beabsichtigten Ergebnis. Verbatim, der dokumentierte Standard, bewahrt Füllwörter, abgebrochene Ansätze und Selbstkorrekturen. Clean entfernt Sprechunflüssigkeiten für ein lesbareres Transkript. Eine Aufzeichnung zur Untersuchung des Gesprächsverlaufs kann Zögern und Korrekturen bewahren; ein lesbares Unterrichtstranskript kann bereinigten Wortlaut verwenden. Halten Sie das Originalaudio bei beiden Ergebnissen fest. Bereinigung verbessert die Darstellung des gesprochenen Texts und sollte weder als gesonderte Zusammenfassung noch als neue Deutung der Sprecherabsicht gelten.
Sprechertrennung gliedert Beiträge nach erkanntem Sprecher; Wortzeitstempel liefern Versatz und Dauer jedes Wortes. Die Bereitstellungsschnittstelle bietet auch Segmentzeitangaben oder keine Zeitangaben. Segmente werden nach Sprache und bei aktivierter Sprechertrennung auch nach Sprecher aufgeteilt. Zeitfelder verwenden Millisekunden und können Navigation, Suche und Bearbeitung unterstützen. Die Kennzeichnungen unterscheiden erkannte Sprecher; eine Kennzeichnung einem Teilnehmernamen zuzuordnen ist ein gesonderter Prüfschritt. Verwenden Sie für Untertitel geprüfte Wortzeiten zur Vorbereitung lesbarer Einblendungsgruppen, statt das Erkennungsergebnis bereits als fertige Untertiteldatei zu behandeln.
Die Modellkarte nennt maximal 300 MB Dateigröße 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. Das sind unterschiedliche veröffentlichte Modellkarten- und Bereitstellungsbedingungen. Bereiten Sie eine Datei innerhalb des geltenden Bereitstellungsbudgets vor. Der MAI-Leitfaden sagt außerdem, dass Sprechertrennung kürzere Aufnahmen unterstützt als Transkription ohne Sprechertrennung. Ordnen Sie langes Material mit mehreren Sprechern in zusammenhängende Abschnitte, wenn Sprecherzuordnung benötigt wird, und bewahren Sie die Abschnittsposition in der Originalaufnahme zur späteren Prüfung.
Die dokumentierte Ausgabe sind strukturierte Transkriptionsdaten: Gesamttext, Phrasen und auf Wunsch Sprecher- und Zeitinformationen. Eine Phrase kann Text, Sprache, Versatz und Dauer tragen; Wortzeiten können ein erkanntes Wort mit dem Audio verbinden. Bewahren Sie diese Beziehungen für ein durchsuchbares Archiv, damit ein gefundener Begriff zur Aufnahme zurückführen kann. In einem Besprechungsablauf wird ein geprüftes Transkript zur Eingabe späterer Zusammenfassung oder Aufgabenextraktion. Das Ergebnis des Spracherkennungsmodells ist der erkannte Inhalt und kein unabhängig verifizierter Bericht über Besprechungsentscheidungen.
Der Versionsunterschied ist konkret. MAI-Transcribe 1.5 deckt 43 Sprachen ab; diese Edition deckt 60 ab und ergänzt die dokumentierten Regler für Sprechertrennung, Wortzeitstempel und Clean/Verbatim. MAI-Transcribe 2 Streaming ist ein gesondertes Modell für fortlaufende Echtzeittranskription mit eigenem Funktionsumfang. Seine Latenz bis zum ersten Teilergebnis beschreibt diese Edition für aufgezeichnetes Audio nicht. Prüfen Sie vor der Verwendung als Quelle für Untertitel, Zitate oder abgeleitete Dokumente das Transkript anhand des Audios auf Namen, Zahlen, Sprecherwechsel und mehrsprachige Passagen.
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 ein und kodieren Sie ihre echten Bytes für das deklarierte JSON-Feld input_audio; für diese konkrete Deklaration ausschließlich mit JSON 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 Token | TarifstaffelGrundtarif | Prognostizierte Menge— | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken · Schätzung nur zum Vergleich — / 1K Token Ausgabe · Ausgabetoken · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Lesen · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde · Schätzung nur zum Vergleich — / 1K Token |
| 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.