Microsoft AI MAI-Transcribe 1.5 es un modelo de voz a texto para convertir audio grabado en contenido escrito. Su ficha exacta describe reconocimiento en 43 idiomas, identificación automática del idioma y robustez ante acentos, dialectos, estilos de habla y condiciones ruidosas. La edición amplía en dieciocho idiomas el conjunto de 25 idiomas de MAI-Transcribe 1. Un resultado útil es el habla escrita de una clase, una entrevista, una llamada o una nota de voz, lista para contrastarla con la grabación antes de un paso posterior de edición o análisis.
Prepara una grabación completa e inteligible en uno de los formatos enumerados por el fabricante: WAV, MP3 o FLAC. Conserva el archivo original y cualquier división en secciones para poder comparar la transcripción con el audio. Para una clase, mantén las frases que rodean un término técnico en lugar de extraer únicamente la palabra difícil. Para una nota de voz, conserva una corrección que cambie un nombre, una hora o un número. El habla circundante proporciona contexto para reconocer lo dicho, y la revisión mediante escucha puede identificar dónde necesita correcciones la salida.
La identificación automática del idioma permite procesar una grabación sin exigir una elección previa de idioma. El conjunto de 43 idiomas incluye inglés, francés, alemán, italiano, español, hindi, chino, japonés, coreano, árabe, indonesio, ruso, tailandés y vietnamita. Los idiomas añadidos incluyen búlgaro, catalán, griego, ucraniano y varias lenguas del sur de Asia. Comprueba que el idioma previsto pertenezca al conjunto de esta edición en lugar de tomar prestada la cobertura más amplia de MAI-Transcribe 2. Para colecciones multilingües, conserva el idioma de la grabación junto al texto revisado para que la edición posterior siga el contenido realmente hablado.
La ficha del modelo 1.5 describe orientación por palabras clave o entidades con hasta 200 términos, y su publicación explica el objetivo: disponer como contexto de nombres, siglas y palabras especializadas probables. El fabricante describe indicaciones contextuales, no la imposición ciega de las palabras suministradas en el resultado. Prepara un vocabulario pertinente, como el nombre del proyecto, un instrumento técnico o la grafía correcta de una persona mencionada en la grabación. Utiliza esa terminología como contexto para la grabación real y contrasta los términos reconocidos con el habla.
Para una lección grabada de ingeniería, prepara los nombres de los instrumentos comentados y la grafía exacta de cualquier sigla de proyecto. Escribe sus grafías exactas en una lista terminológica acotada y conserva la lista junto al audio y la transcripción. Contrasta esas apariciones con los pasajes hablados, en lugar de tratar una entrada de vocabulario como prueba de coincidencia. Los nombres que suenan parecido pueden seguir necesitando comprobación. El resultado debe preservar las palabras realmente pronunciadas, incluida una corrección o matización que cambie su significado.
El fabricante destaca el rendimiento con audio real, incluido ruido de fondo y distintas condiciones de micrófono. La revisión práctica puede centrarse en pasajes con habla simultánea, voces débiles o palabras parcialmente cubiertas por otro sonido. Mantén las dudas vinculadas al pasaje de audio correspondiente en lugar de rellenarlas con supuestos sobre el tema. Una frase plausible puede seguir conteniendo un nombre propio o un número equivocado. Para la transcripción de una llamada, el resultado útil es un registro revisado del contenido hablado que pueda utilizar un análisis posterior, no un relato supuesto de la intención de quien llama.
La ficha exacta del modelo 1.5 indica un tamaño máximo de archivo de 300 MB y dos horas. Su referencia REST de transcripción síncrona enlazada describe una entrada de servicio más estricta: menos de 250 MB y duración inferior a dos horas. Son límites de la ficha y de la interfaz indicados por separado. Prepara archivos dentro del límite de la interfaz prevista y organiza el material más largo en divisiones significativas de la grabación. Un límite de tamaño de archivo afecta al audio codificado, mientras que el límite de duración afecta a la longitud de la grabación de voz; ninguno define una ventana de contexto de un modelo de texto.
La salida de ejemplo de la ficha es JSON que contiene la duración de la grabación y el texto reconocido combinado. El texto puede convertirse en una transcripción accesible, un guion para subtítulos o una entrada para resumen y búsqueda posteriores. La agrupación de entradas de subtítulos y la alineación con la grabación son preparaciones independientes cuando el resultado no incluye los datos temporales necesarios. Para registros de entrevistas, atribuir una línea a un participante concreto necesita un registro comprobado e independiente de quién habló. Conserva la redacción reconocida y el audio como base de esos resultados posteriores.
Los límites de la edición importan al planificar la salida. La ficha 1.5 excluye explícitamente la diarización de hablantes de sus capacidades compatibles, y la comparación de versiones del fabricante atribuye las marcas de tiempo por palabra y los controles de estilo clean/verbatim a MAI-Transcribe 2. Un modelo nativo de streaming también es una edición separada. Por tanto, este perfil 1.5 se centra en el texto reconocido de grabaciones y su contexto de dominio documentado, sin convertir las funciones de hablante, temporización o entrada en directo de otra edición en parte del resultado. Revisa nombres, números, términos técnicos y habla poco clara antes de preparar un pasaje citado, una pista de subtítulos o un documento derivado.
", "aboutText": "Microsoft AI MAI-Transcribe 1.5 es un modelo de voz a texto para convertir audio grabado en contenido escrito. Su ficha exacta describe reconocimiento en 43 idiomas, identificación automática del idioma y robustez ante acentos, dialectos, estilos de habla y condiciones ruidosas. La edición amplía en dieciocho idiomas el conjunto de 25 idiomas de MAI-Transcribe 1. Un resultado útil es el habla escrita de una clase, una entrevista, una llamada o una nota de voz, lista para contrastarla con la grabación antes de un paso posterior de edición o análisis.\n\nPrepara una grabación completa e inteligible en uno de los formatos enumerados por el fabricante: WAV, MP3 o FLAC. Conserva el archivo original y cualquier división en secciones para poder comparar la transcripción con el audio. Para una clase, mantén las frases que rodean un término técnico en lugar de extraer únicamente la palabra difícil. Para una nota de voz, conserva una corrección que cambie un nombre, una hora o un número. El habla circundante proporciona contexto para reconocer lo dicho, y la revisión mediante escucha puede identificar dónde necesita correcciones la salida.\n\nLa identificación automática del idioma permite procesar una grabación sin exigir una elección previa de idioma. El conjunto de 43 idiomas incluye inglés, francés, alemán, italiano, español, hindi, chino, japonés, coreano, árabe, indonesio, ruso, tailandés y vietnamita. Los idiomas añadidos incluyen búlgaro, catalán, griego, ucraniano y varias lenguas del sur de Asia. Comprueba que el idioma previsto pertenezca al conjunto de esta edición en lugar de tomar prestada la cobertura más amplia de MAI-Transcribe 2. Para colecciones multilingües, conserva el idioma de la grabación junto al texto revisado para que la edición posterior siga el contenido realmente hablado.\n\nLa ficha del modelo 1.5 describe orientación por palabras clave o entidades con hasta 200 términos, y su publicación explica el objetivo: disponer como contexto de nombres, siglas y palabras especializadas probables. El fabricante describe indicaciones contextuales, no la imposición ciega de las palabras suministradas en el resultado. Prepara un vocabulario pertinente, como el nombre del proyecto, un instrumento técnico o la grafía correcta de una persona mencionada en la grabación. Utiliza esa terminología como contexto para la grabación real y contrasta los términos reconocidos con el habla.\n\nPara una lección grabada de ingeniería, prepara los nombres de los instrumentos comentados y la grafía exacta de cualquier sigla de proyecto. Escribe sus grafías exactas en una lista terminológica acotada y conserva la lista junto al audio y la transcripción. Contrasta esas apariciones con los pasajes hablados, en lugar de tratar una entrada de vocabulario como prueba de coincidencia. Los nombres que suenan parecido pueden seguir necesitando comprobación. El resultado debe preservar las palabras realmente pronunciadas, incluida una corrección o matización que cambie su significado.\n\nEl fabricante destaca el rendimiento con audio real, incluido ruido de fondo y distintas condiciones de micrófono. La revisión práctica puede centrarse en pasajes con habla simultánea, voces débiles o palabras parcialmente cubiertas por otro sonido. Mantén las dudas vinculadas al pasaje de audio correspondiente en lugar de rellenarlas con supuestos sobre el tema. Una frase plausible puede seguir conteniendo un nombre propio o un número equivocado. Para la transcripción de una llamada, el resultado útil es un registro revisado del contenido hablado que pueda utilizar un análisis posterior, no un relato supuesto de la intención de quien llama.\n\nLa ficha exacta del modelo 1.5 indica un tamaño máximo de archivo de 300 MB y dos horas. Su referencia REST de transcripción síncrona enlazada describe una entrada de servicio más estricta: menos de 250 MB y duración inferior a dos horas. Son límites de la ficha y de la interfaz indicados por separado. Prepara archivos dentro del límite de la interfaz prevista y organiza el material más largo en divisiones significativas de la grabación. Un límite de tamaño de archivo afecta al audio codificado, mientras que el límite de duración afecta a la longitud de la grabación de voz; ninguno define una ventana de contexto de un modelo de texto.\n\nLa salida de ejemplo de la ficha es JSON que contiene la duración de la grabación y el texto reconocido combinado. El texto puede convertirse en una transcripción accesible, un guion para subtítulos o una entrada para resumen y búsqueda posteriores. La agrupación de entradas de subtítulos y la alineación con la grabación son preparaciones independientes cuando el resultado no incluye los datos temporales necesarios. Para registros de entrevistas, atribuir una línea a un participante concreto necesita un registro comprobado e independiente de quién habló. Conserva la redacción reconocida y el audio como base de esos resultados posteriores.\n\nLos límites de la edición importan al planificar la salida. La ficha 1.5 excluye explícitamente la diarización de hablantes de sus capacidades compatibles, y la comparación de versiones del fabricante atribuye las marcas de tiempo por palabra y los controles de estilo clean/verbatim a MAI-Transcribe 2. Un modelo nativo de streaming también es una edición separada. Por tanto, este perfil 1.5 se centra en el texto reconocido de grabaciones y su contexto de dominio documentado, sin convertir las funciones de hablante, temporización o entrada en directo de otra edición en parte del resultado. Revisa nombres, números, términos técnicos y habla poco clara antes de preparar un pasaje citado, una pista de subtítulos o un documento derivado.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c060cbae68b034e4956827829bbece8ad28076b99a4345892a5f245ab4991def", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "microsoft/mai-transcribe-1.5Microsoft AI MAI-Transcribe 1.5 convierte habla grabada en texto en 43 idiomas, con identificación automática del idioma y énfasis en acentos y audio con ruido. Su ficha describe orientación por palabras clave adaptada al dominio para nombres y términos especializados. Utiliza la transcripción como base para notas o subtítulos revisados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Microsoft AI MAI-Transcribe 1.5 es un modelo de voz a texto para convertir audio grabado en contenido escrito. Su ficha exacta describe reconocimiento en 43 idiomas, identificación automática del idioma y robustez ante acentos, dialectos, estilos de habla y condiciones ruidosas. La edición amplía en dieciocho idiomas el conjunto de 25 idiomas de MAI-Transcribe 1. Un resultado útil es el habla escrita de una clase, una entrevista, una llamada o una nota de voz, lista para contrastarla con la grabación antes de un paso posterior de edición o análisis.
Prepara una grabación completa e inteligible en uno de los formatos enumerados por el fabricante: WAV, MP3 o FLAC. Conserva el archivo original y cualquier división en secciones para poder comparar la transcripción con el audio. Para una clase, mantén las frases que rodean un término técnico en lugar de extraer únicamente la palabra difícil. Para una nota de voz, conserva una corrección que cambie un nombre, una hora o un número. El habla circundante proporciona contexto para reconocer lo dicho, y la revisión mediante escucha puede identificar dónde necesita correcciones la salida.
La identificación automática del idioma permite procesar una grabación sin exigir una elección previa de idioma. El conjunto de 43 idiomas incluye inglés, francés, alemán, italiano, español, hindi, chino, japonés, coreano, árabe, indonesio, ruso, tailandés y vietnamita. Los idiomas añadidos incluyen búlgaro, catalán, griego, ucraniano y varias lenguas del sur de Asia. Comprueba que el idioma previsto pertenezca al conjunto de esta edición en lugar de tomar prestada la cobertura más amplia de MAI-Transcribe 2. Para colecciones multilingües, conserva el idioma de la grabación junto al texto revisado para que la edición posterior siga el contenido realmente hablado.
La ficha del modelo 1.5 describe orientación por palabras clave o entidades con hasta 200 términos, y su publicación explica el objetivo: disponer como contexto de nombres, siglas y palabras especializadas probables. El fabricante describe indicaciones contextuales, no la imposición ciega de las palabras suministradas en el resultado. Prepara un vocabulario pertinente, como el nombre del proyecto, un instrumento técnico o la grafía correcta de una persona mencionada en la grabación. Utiliza esa terminología como contexto para la grabación real y contrasta los términos reconocidos con el habla.
Para una lección grabada de ingeniería, prepara los nombres de los instrumentos comentados y la grafía exacta de cualquier sigla de proyecto. Escribe sus grafías exactas en una lista terminológica acotada y conserva la lista junto al audio y la transcripción. Contrasta esas apariciones con los pasajes hablados, en lugar de tratar una entrada de vocabulario como prueba de coincidencia. Los nombres que suenan parecido pueden seguir necesitando comprobación. El resultado debe preservar las palabras realmente pronunciadas, incluida una corrección o matización que cambie su significado.
El fabricante destaca el rendimiento con audio real, incluido ruido de fondo y distintas condiciones de micrófono. La revisión práctica puede centrarse en pasajes con habla simultánea, voces débiles o palabras parcialmente cubiertas por otro sonido. Mantén las dudas vinculadas al pasaje de audio correspondiente en lugar de rellenarlas con supuestos sobre el tema. Una frase plausible puede seguir conteniendo un nombre propio o un número equivocado. Para la transcripción de una llamada, el resultado útil es un registro revisado del contenido hablado que pueda utilizar un análisis posterior, no un relato supuesto de la intención de quien llama.
La ficha exacta del modelo 1.5 indica un tamaño máximo de archivo de 300 MB y dos horas. Su referencia REST de transcripción síncrona enlazada describe una entrada de servicio más estricta: menos de 250 MB y duración inferior a dos horas. Son límites de la ficha y de la interfaz indicados por separado. Prepara archivos dentro del límite de la interfaz prevista y organiza el material más largo en divisiones significativas de la grabación. Un límite de tamaño de archivo afecta al audio codificado, mientras que el límite de duración afecta a la longitud de la grabación de voz; ninguno define una ventana de contexto de un modelo de texto.
La salida de ejemplo de la ficha es JSON que contiene la duración de la grabación y el texto reconocido combinado. El texto puede convertirse en una transcripción accesible, un guion para subtítulos o una entrada para resumen y búsqueda posteriores. La agrupación de entradas de subtítulos y la alineación con la grabación son preparaciones independientes cuando el resultado no incluye los datos temporales necesarios. Para registros de entrevistas, atribuir una línea a un participante concreto necesita un registro comprobado e independiente de quién habló. Conserva la redacción reconocida y el audio como base de esos resultados posteriores.
Los límites de la edición importan al planificar la salida. La ficha 1.5 excluye explícitamente la diarización de hablantes de sus capacidades compatibles, y la comparación de versiones del fabricante atribuye las marcas de tiempo por palabra y los controles de estilo clean/verbatim a MAI-Transcribe 2. Un modelo nativo de streaming también es una edición separada. Por tanto, este perfil 1.5 se centra en el texto reconocido de grabaciones y su contexto de dominio documentado, sin convertir las funciones de hablante, temporización o entrada en directo de otra edición en parte del resultado. Revisa nombres, números, términos técnicos y habla poco clara antes de preparar un pasaje citado, una pista de subtítulos o un documento derivado.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites microsoft/mai-transcribe-1.5 | Predeterminado— |
Campoinput_audio | Tipoobject | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campolanguage | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Mínimo: 0 Máximo: 1 | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites json, verbose_json | Predeterminadojson |
Campotimestamp_granularities | Tipoarray | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input_audio |
Parámetromaterial_types | Contratoaudio |
Parámetromaterial_conditions | ContratoLee un archivo WAV real y codifica sus bytes reales para el input_audio JSON declarado; no se ofrece ninguna ruta multipart para esta declaración exacta que solo admite JSON. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las tarifas mostradas estiman el coste antes de la generación. El cargo final se calcula a partir del coste registrado para la generación original. La duración medida del resultado y las cantidades previstas no constituyen la cantidad facturable final.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad prevista | Unidad de facturación | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad prevista— | Unidad de facturación— | Cargo Entrada · Tokens de entrada · Estimación solo para comparar — / 1K tokens Salida · Tokens de salida · Estimación solo para comparar — / 1K tokens Entrada · Lectura de caché · Estimación solo para comparar — / 1K tokens Entrada · Escritura en caché · Estimación solo para comparar — / 1K tokens Entrada · Escritura en caché, 1 hora · Estimación solo para comparar — / 1K tokens |
| Configuraciónhora de audio de entrada | Tabla de tarifas— | Cantidad prevista— | Unidad de facturaciónpor hora de audio de entrada | Cargo Entrada · hora de audio de entrada · Estimación solo para comparar $0.72 por hora de audio de entrada |
| ConfiguraciónCoste estimado de generación | Tabla de tarifas— | Cantidad previstaestimación para una generación | Unidad de facturación— | Cargo Salida · Coste estimado de generación · Estimación solo para comparar $0.0002 estimación previa a la generación Esta estimación no es un cargo adicional ni una tarifa fija para la generación completada. |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'microsoft/mai-transcribe-1.5', 'input_audio': {'data': '${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.\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y las cabeceras, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID devuelto para la conciliación. Consulta únicamente los valores task_id/asset_id realmente devueltos o la biblioteca multimedia propia; nunca construyas una URL de tarea a partir del ID de la operación ni vuelvas a enviar la solicitud de creación.
| Campo | Tipo |
|---|---|
Campotext | Tipo |
Campousage | Tipo |
Camposegments[] | Tipo |
Campowords[] | Tipo |
Campospeaker fields | Tipo |
Campotimestamps | Tipo |
Ailoot Ultra microsoft/mai-transcribe-1.5
Usa las rutas de método indicadas arriba.