Microsoft AI MAI-Transcribe 2 es la edición de voz a texto para audio grabado de la familia de transcripción de segunda generación de Microsoft. Convierte contenido hablado en texto escrito en 60 idiomas, con identificación automática del idioma y compatibilidad con habla que alterna entre lenguas. El modelo añade diarización de hablantes, temporización por palabra y estilos de transcripción seleccionables. Los resultados útiles incluyen una transcripción de reunión con atribución de intervenciones, un registro de entrevista consultable, datos de alineación para subtítulos o dictado revisado con terminología especializada.
Prepara la grabación manteniendo intacto el material hablado. El fabricante enumera entradas WAV, MP3 y FLAC. Conserva el audio original disponible para comparar las palabras, nombres y números dudosos con el texto reconocido. Una grabación puede contener ruido de fondo o calidad variable del micrófono, condiciones para las que está diseñado el modelo, pero la revisión debe seguir centrándose en pasajes poco claros o superpuestos. Para una entrevista, conserva la secuencia de turnos y pausas en lugar de eliminar el contexto que ayuda a interpretar una respuesta.
La detección automática del idioma resulta útil cuando no se conoce de antemano. El conjunto documentado de 60 idiomas incluye inglés, ruso, chino, japonés, coreano, árabe, francés, alemán, español, indonesio, malayo, tailandés y vietnamita. La alternancia de lenguas cubre cambios naturales entre idiomas, incluidas combinaciones como hinglish o spanglish. La interfaz del fabricante también acepta una única indicación de idioma, que describe como una instrucción fuerte. Utilízala solo cuando la grabación esté realmente en el idioma especificado, en lugar de forzar una conversación multilingüe a un único idioma esperado.
La orientación por palabras clave aporta términos de dominio, abreviaturas, nombres de productos y nombres propios que de otro modo podrían resultar difíciles de distinguir por el sonido. Prepara una lista acotada relacionada con la grabación, como el nombre del proyecto, una línea de producto o palabras técnicas utilizadas en la conversación. La guía de servicio los describe como indicaciones para el reconocimiento, no como coincidencias forzadas. Para una clase técnica, incluye las grafías exactas de los instrumentos nombrados y los términos especializados, y después comprueba si la transcripción los coloca donde realmente se pronunciaron. Un término suministrado no demuestra que el hablante lo dijera.
Elige el estilo de salida según el resultado previsto. Verbatim, el valor predeterminado documentado, conserva muletillas, arranques fallidos y autocorrecciones. Clean elimina disfluencias para una transcripción más legible. Un registro utilizado para examinar cómo se desarrolló una conversación puede preservar la vacilación y la corrección; una transcripción legible de una lección puede utilizar la redacción limpia. Conserva el audio original junto a cualquiera de los resultados. La limpieza mejora la presentación del texto hablado y no debe tratarse como un resumen separado ni como una interpretación nueva de lo que quiso decir el hablante.
La diarización separa los turnos según el hablante detectado, y las marcas de tiempo por palabra aportan un desplazamiento y una duración para cada palabra. La interfaz de servicio también ofrece temporización por segmentos o ausencia de temporización. Los segmentos se dividen por idioma y, cuando la diarización está habilitada, por hablante. Los campos temporales utilizan milisegundos y pueden servir para navegación, búsqueda y edición. Las etiquetas distinguen a los hablantes detectados; relacionar una etiqueta con el nombre de un participante es un paso independiente de revisión. Para subtítulos, utiliza tiempos de palabra comprobados para preparar grupos legibles de entradas, en lugar de asumir que el resultado de reconocimiento ya es un archivo de subtítulos terminado.
La ficha del modelo indica un máximo de archivo de 300 MB y dos horas. La referencia REST síncrona enlazada para la interfaz documentada 2025-10-15 exige, en cambio, un archivo de menos de 250 MB y de duración inferior a dos horas. Son restricciones publicadas distintas de la ficha del modelo y del servicio; prepara un archivo dentro del límite de servicio aplicable. La guía MAI también indica que la diarización admite grabaciones más cortas que la transcripción sin diarización. Organiza el material largo con varios hablantes en secciones coherentes cuando se necesite atribución de hablantes y conserva la posición de cada sección en la grabación original para revisarla después.
La salida documentada son datos estructurados de transcripción: el texto completo, frases y, cuando se solicita, información de hablantes y tiempos. Una frase puede incluir su texto, idioma, desplazamiento y duración; la temporización por palabra puede vincular una palabra reconocida al audio. Para un archivo consultable, conserva esas relaciones para que un término encontrado permita volver a la grabación. Para un flujo de reuniones, una transcripción revisada se convierte en entrada para un resumen posterior o extracción de acciones. El resultado del modelo de voz es el contenido reconocido, no un relato verificado de forma independiente de las decisiones de la reunión.
La diferencia de versión es concreta. MAI-Transcribe 1.5 cubre 43 idiomas, mientras que esta edición cubre 60 y añade los controles documentados de diarización, marcas de tiempo por palabra y estilos clean/verbatim. MAI-Transcribe 2 Streaming es un modelo separado para transcripción incremental en tiempo real, con sus propias funciones; su latencia hasta el primer resultado parcial no describe esta edición para audio grabado. Contrasta la transcripción con el audio para nombres, números, turnos de hablantes y pasajes con mezcla de idiomas antes de utilizarla como fuente para subtítulos, citas o un documento derivado.
", "aboutText": "Microsoft AI MAI-Transcribe 2 es la edición de voz a texto para audio grabado de la familia de transcripción de segunda generación de Microsoft. Convierte contenido hablado en texto escrito en 60 idiomas, con identificación automática del idioma y compatibilidad con habla que alterna entre lenguas. El modelo añade diarización de hablantes, temporización por palabra y estilos de transcripción seleccionables. Los resultados útiles incluyen una transcripción de reunión con atribución de intervenciones, un registro de entrevista consultable, datos de alineación para subtítulos o dictado revisado con terminología especializada.\n\nPrepara la grabación manteniendo intacto el material hablado. El fabricante enumera entradas WAV, MP3 y FLAC. Conserva el audio original disponible para comparar las palabras, nombres y números dudosos con el texto reconocido. Una grabación puede contener ruido de fondo o calidad variable del micrófono, condiciones para las que está diseñado el modelo, pero la revisión debe seguir centrándose en pasajes poco claros o superpuestos. Para una entrevista, conserva la secuencia de turnos y pausas en lugar de eliminar el contexto que ayuda a interpretar una respuesta.\n\nLa detección automática del idioma resulta útil cuando no se conoce de antemano. El conjunto documentado de 60 idiomas incluye inglés, ruso, chino, japonés, coreano, árabe, francés, alemán, español, indonesio, malayo, tailandés y vietnamita. La alternancia de lenguas cubre cambios naturales entre idiomas, incluidas combinaciones como hinglish o spanglish. La interfaz del fabricante también acepta una única indicación de idioma, que describe como una instrucción fuerte. Utilízala solo cuando la grabación esté realmente en el idioma especificado, en lugar de forzar una conversación multilingüe a un único idioma esperado.\n\nLa orientación por palabras clave aporta términos de dominio, abreviaturas, nombres de productos y nombres propios que de otro modo podrían resultar difíciles de distinguir por el sonido. Prepara una lista acotada relacionada con la grabación, como el nombre del proyecto, una línea de producto o palabras técnicas utilizadas en la conversación. La guía de servicio los describe como indicaciones para el reconocimiento, no como coincidencias forzadas. Para una clase técnica, incluye las grafías exactas de los instrumentos nombrados y los términos especializados, y después comprueba si la transcripción los coloca donde realmente se pronunciaron. Un término suministrado no demuestra que el hablante lo dijera.\n\nElige el estilo de salida según el resultado previsto. Verbatim, el valor predeterminado documentado, conserva muletillas, arranques fallidos y autocorrecciones. Clean elimina disfluencias para una transcripción más legible. Un registro utilizado para examinar cómo se desarrolló una conversación puede preservar la vacilación y la corrección; una transcripción legible de una lección puede utilizar la redacción limpia. Conserva el audio original junto a cualquiera de los resultados. La limpieza mejora la presentación del texto hablado y no debe tratarse como un resumen separado ni como una interpretación nueva de lo que quiso decir el hablante.\n\nLa diarización separa los turnos según el hablante detectado, y las marcas de tiempo por palabra aportan un desplazamiento y una duración para cada palabra. La interfaz de servicio también ofrece temporización por segmentos o ausencia de temporización. Los segmentos se dividen por idioma y, cuando la diarización está habilitada, por hablante. Los campos temporales utilizan milisegundos y pueden servir para navegación, búsqueda y edición. Las etiquetas distinguen a los hablantes detectados; relacionar una etiqueta con el nombre de un participante es un paso independiente de revisión. Para subtítulos, utiliza tiempos de palabra comprobados para preparar grupos legibles de entradas, en lugar de asumir que el resultado de reconocimiento ya es un archivo de subtítulos terminado.\n\nLa ficha del modelo indica un máximo de archivo de 300 MB y dos horas. La referencia REST síncrona enlazada para la interfaz documentada 2025-10-15 exige, en cambio, un archivo de menos de 250 MB y de duración inferior a dos horas. Son restricciones publicadas distintas de la ficha del modelo y del servicio; prepara un archivo dentro del límite de servicio aplicable. La guía MAI también indica que la diarización admite grabaciones más cortas que la transcripción sin diarización. Organiza el material largo con varios hablantes en secciones coherentes cuando se necesite atribución de hablantes y conserva la posición de cada sección en la grabación original para revisarla después.\n\nLa salida documentada son datos estructurados de transcripción: el texto completo, frases y, cuando se solicita, información de hablantes y tiempos. Una frase puede incluir su texto, idioma, desplazamiento y duración; la temporización por palabra puede vincular una palabra reconocida al audio. Para un archivo consultable, conserva esas relaciones para que un término encontrado permita volver a la grabación. Para un flujo de reuniones, una transcripción revisada se convierte en entrada para un resumen posterior o extracción de acciones. El resultado del modelo de voz es el contenido reconocido, no un relato verificado de forma independiente de las decisiones de la reunión.\n\nLa diferencia de versión es concreta. MAI-Transcribe 1.5 cubre 43 idiomas, mientras que esta edición cubre 60 y añade los controles documentados de diarización, marcas de tiempo por palabra y estilos clean/verbatim. MAI-Transcribe 2 Streaming es un modelo separado para transcripción incremental en tiempo real, con sus propias funciones; su latencia hasta el primer resultado parcial no describe esta edición para audio grabado. Contrasta la transcripción con el audio para nombres, números, turnos de hablantes y pasajes con mezcla de idiomas antes de utilizarla como fuente para subtítulos, citas o un documento derivado.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a550a9464c8628982c317b93153127b83157615bc2ae5876283a96cb51445232", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "microsoft/mai-transcribe-2Microsoft AI MAI-Transcribe 2 convierte habla grabada en texto en 60 idiomas, con identificación automática del idioma y alternancia entre lenguas. Añade diarización de hablantes, temporización por palabra, orientación por palabras clave y estilos limpio o literal para registros de reuniones, subtítulos, audio consultable y dictado especializado.
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 2 es la edición de voz a texto para audio grabado de la familia de transcripción de segunda generación de Microsoft. Convierte contenido hablado en texto escrito en 60 idiomas, con identificación automática del idioma y compatibilidad con habla que alterna entre lenguas. El modelo añade diarización de hablantes, temporización por palabra y estilos de transcripción seleccionables. Los resultados útiles incluyen una transcripción de reunión con atribución de intervenciones, un registro de entrevista consultable, datos de alineación para subtítulos o dictado revisado con terminología especializada.
Prepara la grabación manteniendo intacto el material hablado. El fabricante enumera entradas WAV, MP3 y FLAC. Conserva el audio original disponible para comparar las palabras, nombres y números dudosos con el texto reconocido. Una grabación puede contener ruido de fondo o calidad variable del micrófono, condiciones para las que está diseñado el modelo, pero la revisión debe seguir centrándose en pasajes poco claros o superpuestos. Para una entrevista, conserva la secuencia de turnos y pausas en lugar de eliminar el contexto que ayuda a interpretar una respuesta.
La detección automática del idioma resulta útil cuando no se conoce de antemano. El conjunto documentado de 60 idiomas incluye inglés, ruso, chino, japonés, coreano, árabe, francés, alemán, español, indonesio, malayo, tailandés y vietnamita. La alternancia de lenguas cubre cambios naturales entre idiomas, incluidas combinaciones como hinglish o spanglish. La interfaz del fabricante también acepta una única indicación de idioma, que describe como una instrucción fuerte. Utilízala solo cuando la grabación esté realmente en el idioma especificado, en lugar de forzar una conversación multilingüe a un único idioma esperado.
La orientación por palabras clave aporta términos de dominio, abreviaturas, nombres de productos y nombres propios que de otro modo podrían resultar difíciles de distinguir por el sonido. Prepara una lista acotada relacionada con la grabación, como el nombre del proyecto, una línea de producto o palabras técnicas utilizadas en la conversación. La guía de servicio los describe como indicaciones para el reconocimiento, no como coincidencias forzadas. Para una clase técnica, incluye las grafías exactas de los instrumentos nombrados y los términos especializados, y después comprueba si la transcripción los coloca donde realmente se pronunciaron. Un término suministrado no demuestra que el hablante lo dijera.
Elige el estilo de salida según el resultado previsto. Verbatim, el valor predeterminado documentado, conserva muletillas, arranques fallidos y autocorrecciones. Clean elimina disfluencias para una transcripción más legible. Un registro utilizado para examinar cómo se desarrolló una conversación puede preservar la vacilación y la corrección; una transcripción legible de una lección puede utilizar la redacción limpia. Conserva el audio original junto a cualquiera de los resultados. La limpieza mejora la presentación del texto hablado y no debe tratarse como un resumen separado ni como una interpretación nueva de lo que quiso decir el hablante.
La diarización separa los turnos según el hablante detectado, y las marcas de tiempo por palabra aportan un desplazamiento y una duración para cada palabra. La interfaz de servicio también ofrece temporización por segmentos o ausencia de temporización. Los segmentos se dividen por idioma y, cuando la diarización está habilitada, por hablante. Los campos temporales utilizan milisegundos y pueden servir para navegación, búsqueda y edición. Las etiquetas distinguen a los hablantes detectados; relacionar una etiqueta con el nombre de un participante es un paso independiente de revisión. Para subtítulos, utiliza tiempos de palabra comprobados para preparar grupos legibles de entradas, en lugar de asumir que el resultado de reconocimiento ya es un archivo de subtítulos terminado.
La ficha del modelo indica un máximo de archivo de 300 MB y dos horas. La referencia REST síncrona enlazada para la interfaz documentada 2025-10-15 exige, en cambio, un archivo de menos de 250 MB y de duración inferior a dos horas. Son restricciones publicadas distintas de la ficha del modelo y del servicio; prepara un archivo dentro del límite de servicio aplicable. La guía MAI también indica que la diarización admite grabaciones más cortas que la transcripción sin diarización. Organiza el material largo con varios hablantes en secciones coherentes cuando se necesite atribución de hablantes y conserva la posición de cada sección en la grabación original para revisarla después.
La salida documentada son datos estructurados de transcripción: el texto completo, frases y, cuando se solicita, información de hablantes y tiempos. Una frase puede incluir su texto, idioma, desplazamiento y duración; la temporización por palabra puede vincular una palabra reconocida al audio. Para un archivo consultable, conserva esas relaciones para que un término encontrado permita volver a la grabación. Para un flujo de reuniones, una transcripción revisada se convierte en entrada para un resumen posterior o extracción de acciones. El resultado del modelo de voz es el contenido reconocido, no un relato verificado de forma independiente de las decisiones de la reunión.
La diferencia de versión es concreta. MAI-Transcribe 1.5 cubre 43 idiomas, mientras que esta edición cubre 60 y añade los controles documentados de diarización, marcas de tiempo por palabra y estilos clean/verbatim. MAI-Transcribe 2 Streaming es un modelo separado para transcripción incremental en tiempo real, con sus propias funciones; su latencia hasta el primer resultado parcial no describe esta edición para audio grabado. Contrasta la transcripción con el audio para nombres, números, turnos de hablantes y pasajes con mezcla de idiomas antes de utilizarla como fuente para subtítulos, citas o un documento derivado.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites microsoft/mai-transcribe-2 | 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 $0.2 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 $0.00005555555555555556 estimación previa a la generación Esta estimación no es un cargo adicional ni una tarifa fija para la generación completada. |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'microsoft/mai-transcribe-2', 'input_audio': {'data': '${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.\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-2
Usa las rutas de método indicadas arriba.