Microsoft AI MAI-Transcribe 1.5 est un modèle de reconnaissance vocale convertissant l’audio enregistré en contenu écrit. Sa fiche exacte décrit la reconnaissance dans 43 langues, l’identification automatique de la langue et la robustesse aux accents, dialectes, styles de parole et conditions bruitées. Cette édition étend de dix-huit langues l’ensemble de 25 langues de MAI-Transcribe 1. Un résultat utile est la parole écrite d’un cours, d’un entretien, d’un appel ou d’une note vocale, à vérifier avec l’enregistrement avant une étape de révision ou d’analyse.
Préparez un enregistrement complet et intelligible dans l’un des formats indiqués : WAV, MP3 ou FLAC. Conservez le fichier original et son éventuel découpage en sections pour comparer la transcription à l’audio. Pour un cours, gardez les phrases autour d’un terme technique plutôt que d’extraire seulement le mot difficile. Pour une note vocale, préservez une correction modifiant un nom, une heure ou un nombre. Les paroles environnantes apportent le contexte de reconnaissance, et l’écoute permet de repérer les corrections nécessaires dans la sortie.
L’identification automatique permet de traiter un enregistrement sans choisir d’avance une langue. Les 43 langues comprennent l’anglais, le français, l’allemand, l’italien, l’espagnol, l’hindi, le chinois, le japonais, le coréen, l’arabe, l’indonésien, le russe, le thaï et le vietnamien. Les ajouts comprennent le bulgare, le catalan, le grec, l’ukrainien et plusieurs langues d’Asie du Sud. Vérifiez que la langue voulue appartient à cette édition plutôt que d’emprunter la couverture plus large de MAI-Transcribe 2. Pour les collections multilingues, conservez la langue de l’enregistrement avec le texte vérifié afin que la révision en aval suive les paroles réelles.
La fiche 1.5 décrit des indications de mots-clés ou d’entités allant jusqu’à 200 termes, et la publication en explique le but : rendre disponibles comme contexte les noms, acronymes et termes spécialisés probables. Le fabricant décrit des indications contextuelles, sans forcer aveuglément les mots fournis dans le résultat. Préparez un vocabulaire pertinent, comme le nom du projet, un instrument technique ou la graphie d’une personne mentionnée dans l’enregistrement. Utilisez cette terminologie comme contexte pour l’enregistrement réel et vérifiez les termes reconnus à partir de la parole.
Pour un cours d’ingénierie enregistré, préparez les noms des instruments abordés et la graphie exacte des acronymes de projet. Inscrivez-les dans une liste terminologique ciblée à conserver avec l’audio et la transcription. Vérifiez leurs occurrences à partir des passages parlés plutôt que de considérer une entrée de vocabulaire comme une preuve de correspondance. Des noms phonétiquement proches peuvent encore exiger une vérification. Le résultat doit préserver les mots réellement prononcés, y compris une correction ou une précision qui en modifie le sens.
Le fabricant insiste sur les performances dans l’audio réel, avec bruit ambiant et conditions de microphone variées. La vérification pratique peut cibler les passages à paroles simultanées, voix faibles ou mots partiellement couverts par un autre son. Reliez les incertitudes au passage audio correspondant plutôt que de les combler à partir d’hypothèses sur le sujet. Une phrase plausible peut encore contenir un nom propre ou un nombre incorrect. Pour un appel, le livrable utile est un relevé vérifié des paroles utilisable par une analyse ultérieure, plutôt qu’une interprétation supposée de l’intention de l’appelant.
La fiche exacte 1.5 indique une taille maximale de 300 Mo et deux heures. Sa référence REST synchrone de transcription liée décrit une entrée de service plus restrictive : moins de 250 Mo et moins de deux heures. Ces limites de fiche et d’interface sont énoncées séparément. Préparez les fichiers dans les limites de l’interface visée et découpez les sources longues à des points cohérents de l’enregistrement. La limite de taille concerne l’audio encodé, celle de durée la longueur de l’enregistrement ; aucune ne définit une fenêtre de contexte de modèle textuel.
L’exemple de sortie de la fiche est un JSON contenant la durée de l’enregistrement et le texte reconnu réuni. Ce texte peut devenir une transcription accessible, un script de sous-titres ou une entrée pour une synthèse et une recherche ultérieures. Le regroupement des sous-titres et leur alignement sur l’enregistrement sont une préparation distincte lorsque le résultat ne contient pas les temps nécessaires. Pour un entretien, attribuer une réplique à un participant nommé exige un relevé vérifié séparé de qui a parlé. Préservez les paroles reconnues et l’audio comme base de ces livrables ultérieurs.
Les limites de l’édition comptent pour planifier la sortie. La fiche 1.5 exclut explicitement la diarisation des locuteurs de ses capacités, et la comparaison du fabricant attribue l’horodatage par mot et les styles Clean/Verbatim à MAI-Transcribe 2. Un modèle de streaming natif est aussi une édition distincte. Ce profil 1.5 se concentre donc sur le texte reconnu d’enregistrements et son contexte métier documenté, sans lui attribuer les fonctions de locuteurs, d’horodatage ou d’entrée en direct d’une autre édition. Vérifiez les noms, nombres, termes techniques et paroles incertaines avant de préparer une citation, une piste de sous-titres ou un document dérivé.
", "aboutText": "Microsoft AI MAI-Transcribe 1.5 est un modèle de reconnaissance vocale convertissant l’audio enregistré en contenu écrit. Sa fiche exacte décrit la reconnaissance dans 43 langues, l’identification automatique de la langue et la robustesse aux accents, dialectes, styles de parole et conditions bruitées. Cette édition étend de dix-huit langues l’ensemble de 25 langues de MAI-Transcribe 1. Un résultat utile est la parole écrite d’un cours, d’un entretien, d’un appel ou d’une note vocale, à vérifier avec l’enregistrement avant une étape de révision ou d’analyse.\n\nPréparez un enregistrement complet et intelligible dans l’un des formats indiqués : WAV, MP3 ou FLAC. Conservez le fichier original et son éventuel découpage en sections pour comparer la transcription à l’audio. Pour un cours, gardez les phrases autour d’un terme technique plutôt que d’extraire seulement le mot difficile. Pour une note vocale, préservez une correction modifiant un nom, une heure ou un nombre. Les paroles environnantes apportent le contexte de reconnaissance, et l’écoute permet de repérer les corrections nécessaires dans la sortie.\n\nL’identification automatique permet de traiter un enregistrement sans choisir d’avance une langue. Les 43 langues comprennent l’anglais, le français, l’allemand, l’italien, l’espagnol, l’hindi, le chinois, le japonais, le coréen, l’arabe, l’indonésien, le russe, le thaï et le vietnamien. Les ajouts comprennent le bulgare, le catalan, le grec, l’ukrainien et plusieurs langues d’Asie du Sud. Vérifiez que la langue voulue appartient à cette édition plutôt que d’emprunter la couverture plus large de MAI-Transcribe 2. Pour les collections multilingues, conservez la langue de l’enregistrement avec le texte vérifié afin que la révision en aval suive les paroles réelles.\n\nLa fiche 1.5 décrit des indications de mots-clés ou d’entités allant jusqu’à 200 termes, et la publication en explique le but : rendre disponibles comme contexte les noms, acronymes et termes spécialisés probables. Le fabricant décrit des indications contextuelles, sans forcer aveuglément les mots fournis dans le résultat. Préparez un vocabulaire pertinent, comme le nom du projet, un instrument technique ou la graphie d’une personne mentionnée dans l’enregistrement. Utilisez cette terminologie comme contexte pour l’enregistrement réel et vérifiez les termes reconnus à partir de la parole.\n\nPour un cours d’ingénierie enregistré, préparez les noms des instruments abordés et la graphie exacte des acronymes de projet. Inscrivez-les dans une liste terminologique ciblée à conserver avec l’audio et la transcription. Vérifiez leurs occurrences à partir des passages parlés plutôt que de considérer une entrée de vocabulaire comme une preuve de correspondance. Des noms phonétiquement proches peuvent encore exiger une vérification. Le résultat doit préserver les mots réellement prononcés, y compris une correction ou une précision qui en modifie le sens.\n\nLe fabricant insiste sur les performances dans l’audio réel, avec bruit ambiant et conditions de microphone variées. La vérification pratique peut cibler les passages à paroles simultanées, voix faibles ou mots partiellement couverts par un autre son. Reliez les incertitudes au passage audio correspondant plutôt que de les combler à partir d’hypothèses sur le sujet. Une phrase plausible peut encore contenir un nom propre ou un nombre incorrect. Pour un appel, le livrable utile est un relevé vérifié des paroles utilisable par une analyse ultérieure, plutôt qu’une interprétation supposée de l’intention de l’appelant.\n\nLa fiche exacte 1.5 indique une taille maximale de 300 Mo et deux heures. Sa référence REST synchrone de transcription liée décrit une entrée de service plus restrictive : moins de 250 Mo et moins de deux heures. Ces limites de fiche et d’interface sont énoncées séparément. Préparez les fichiers dans les limites de l’interface visée et découpez les sources longues à des points cohérents de l’enregistrement. La limite de taille concerne l’audio encodé, celle de durée la longueur de l’enregistrement ; aucune ne définit une fenêtre de contexte de modèle textuel.\n\nL’exemple de sortie de la fiche est un JSON contenant la durée de l’enregistrement et le texte reconnu réuni. Ce texte peut devenir une transcription accessible, un script de sous-titres ou une entrée pour une synthèse et une recherche ultérieures. Le regroupement des sous-titres et leur alignement sur l’enregistrement sont une préparation distincte lorsque le résultat ne contient pas les temps nécessaires. Pour un entretien, attribuer une réplique à un participant nommé exige un relevé vérifié séparé de qui a parlé. Préservez les paroles reconnues et l’audio comme base de ces livrables ultérieurs.\n\nLes limites de l’édition comptent pour planifier la sortie. La fiche 1.5 exclut explicitement la diarisation des locuteurs de ses capacités, et la comparaison du fabricant attribue l’horodatage par mot et les styles Clean/Verbatim à MAI-Transcribe 2. Un modèle de streaming natif est aussi une édition distincte. Ce profil 1.5 se concentre donc sur le texte reconnu d’enregistrements et son contexte métier documenté, sans lui attribuer les fonctions de locuteurs, d’horodatage ou d’entrée en direct d’une autre édition. Vérifiez les noms, nombres, termes techniques et paroles incertaines avant de préparer une citation, une piste de sous-titres ou un document dérivé.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "73dba144a1c720eca012ee95e097a73b9773d77a6a9dfff971083c30fc1461c5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "microsoft/mai-transcribe-1.5Microsoft AI MAI-Transcribe 1.5 convertit la parole enregistrée en texte dans 43 langues, avec identification automatique de la langue et une attention particulière aux accents et à l’audio bruité. Sa fiche décrit des indications de mots-clés métier pour les noms et termes spécialisés. Utilisez la transcription comme base de notes ou de sous-titres vérifiés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Microsoft AI MAI-Transcribe 1.5 est un modèle de reconnaissance vocale convertissant l’audio enregistré en contenu écrit. Sa fiche exacte décrit la reconnaissance dans 43 langues, l’identification automatique de la langue et la robustesse aux accents, dialectes, styles de parole et conditions bruitées. Cette édition étend de dix-huit langues l’ensemble de 25 langues de MAI-Transcribe 1. Un résultat utile est la parole écrite d’un cours, d’un entretien, d’un appel ou d’une note vocale, à vérifier avec l’enregistrement avant une étape de révision ou d’analyse.
Préparez un enregistrement complet et intelligible dans l’un des formats indiqués : WAV, MP3 ou FLAC. Conservez le fichier original et son éventuel découpage en sections pour comparer la transcription à l’audio. Pour un cours, gardez les phrases autour d’un terme technique plutôt que d’extraire seulement le mot difficile. Pour une note vocale, préservez une correction modifiant un nom, une heure ou un nombre. Les paroles environnantes apportent le contexte de reconnaissance, et l’écoute permet de repérer les corrections nécessaires dans la sortie.
L’identification automatique permet de traiter un enregistrement sans choisir d’avance une langue. Les 43 langues comprennent l’anglais, le français, l’allemand, l’italien, l’espagnol, l’hindi, le chinois, le japonais, le coréen, l’arabe, l’indonésien, le russe, le thaï et le vietnamien. Les ajouts comprennent le bulgare, le catalan, le grec, l’ukrainien et plusieurs langues d’Asie du Sud. Vérifiez que la langue voulue appartient à cette édition plutôt que d’emprunter la couverture plus large de MAI-Transcribe 2. Pour les collections multilingues, conservez la langue de l’enregistrement avec le texte vérifié afin que la révision en aval suive les paroles réelles.
La fiche 1.5 décrit des indications de mots-clés ou d’entités allant jusqu’à 200 termes, et la publication en explique le but : rendre disponibles comme contexte les noms, acronymes et termes spécialisés probables. Le fabricant décrit des indications contextuelles, sans forcer aveuglément les mots fournis dans le résultat. Préparez un vocabulaire pertinent, comme le nom du projet, un instrument technique ou la graphie d’une personne mentionnée dans l’enregistrement. Utilisez cette terminologie comme contexte pour l’enregistrement réel et vérifiez les termes reconnus à partir de la parole.
Pour un cours d’ingénierie enregistré, préparez les noms des instruments abordés et la graphie exacte des acronymes de projet. Inscrivez-les dans une liste terminologique ciblée à conserver avec l’audio et la transcription. Vérifiez leurs occurrences à partir des passages parlés plutôt que de considérer une entrée de vocabulaire comme une preuve de correspondance. Des noms phonétiquement proches peuvent encore exiger une vérification. Le résultat doit préserver les mots réellement prononcés, y compris une correction ou une précision qui en modifie le sens.
Le fabricant insiste sur les performances dans l’audio réel, avec bruit ambiant et conditions de microphone variées. La vérification pratique peut cibler les passages à paroles simultanées, voix faibles ou mots partiellement couverts par un autre son. Reliez les incertitudes au passage audio correspondant plutôt que de les combler à partir d’hypothèses sur le sujet. Une phrase plausible peut encore contenir un nom propre ou un nombre incorrect. Pour un appel, le livrable utile est un relevé vérifié des paroles utilisable par une analyse ultérieure, plutôt qu’une interprétation supposée de l’intention de l’appelant.
La fiche exacte 1.5 indique une taille maximale de 300 Mo et deux heures. Sa référence REST synchrone de transcription liée décrit une entrée de service plus restrictive : moins de 250 Mo et moins de deux heures. Ces limites de fiche et d’interface sont énoncées séparément. Préparez les fichiers dans les limites de l’interface visée et découpez les sources longues à des points cohérents de l’enregistrement. La limite de taille concerne l’audio encodé, celle de durée la longueur de l’enregistrement ; aucune ne définit une fenêtre de contexte de modèle textuel.
L’exemple de sortie de la fiche est un JSON contenant la durée de l’enregistrement et le texte reconnu réuni. Ce texte peut devenir une transcription accessible, un script de sous-titres ou une entrée pour une synthèse et une recherche ultérieures. Le regroupement des sous-titres et leur alignement sur l’enregistrement sont une préparation distincte lorsque le résultat ne contient pas les temps nécessaires. Pour un entretien, attribuer une réplique à un participant nommé exige un relevé vérifié séparé de qui a parlé. Préservez les paroles reconnues et l’audio comme base de ces livrables ultérieurs.
Les limites de l’édition comptent pour planifier la sortie. La fiche 1.5 exclut explicitement la diarisation des locuteurs de ses capacités, et la comparaison du fabricant attribue l’horodatage par mot et les styles Clean/Verbatim à MAI-Transcribe 2. Un modèle de streaming natif est aussi une édition distincte. Ce profil 1.5 se concentre donc sur le texte reconnu d’enregistrements et son contexte métier documenté, sans lui attribuer les fonctions de locuteurs, d’horodatage ou d’entrée en direct d’une autre édition. Vérifiez les noms, nombres, termes techniques et paroles incertaines avant de préparer une citation, une piste de sous-titres ou un document dérivé.
POST /v1/audio/transcriptionsaudiotext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites microsoft/mai-transcribe-1.5 | Par défaut— |
Champinput_audio | Typeobject | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champlanguage | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Minimum: 0 Maximum: 1 | Par défaut— |
Champresponse_format | Typestring | ExigenceFacultatif | Valeurs et limites json, verbose_json | Par défautjson |
Champtimestamp_granularities | Typearray | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input_audio |
Paramètrematerial_types | Contrataudio |
Paramètrematerial_conditions | ContratLisez un fichier WAV réel et encodez ses octets réels pour l’entrée JSON input_audio déclarée ; aucune route multipart n’est annoncée pour cette déclaration exacte exclusivement JSON. |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Les tarifs affichés servent à estimer le coût avant la génération. Le montant final est calculé à partir du coût enregistré pour la génération d’origine. La durée mesurée du résultat et les quantités prévisionnelles ne constituent pas la quantité finale facturable.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Quantité prévisionnelle | Unité de facturation | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Quantité prévisionnelle— | Unité de facturation— | Coût Entrée · Tokens en entrée · Estimation à des fins de comparaison uniquement — / 1K tokens Sortie · Tokens en sortie · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Lecture du cache · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Écriture dans le cache · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Écriture dans le cache, 1 h · Estimation à des fins de comparaison uniquement — / 1K tokens |
| Configurationheure d’audio en entrée | Barème tarifaire— | Quantité prévisionnelle— | Unité de facturationpar heure d’audio en entrée | Coût Entrée · heure d’audio en entrée · Estimation à des fins de comparaison uniquement $0.72 par heure d’audio en entrée |
| ConfigurationCoût estimé de la génération | Barème tarifaire— | Quantité prévisionnelleEstimation pour une génération | Unité de facturation— | Coût Sortie · Coût estimé de génération · Estimation à des fins de comparaison uniquement $0.0002 estimation avant génération Cette estimation ne constitue ni des frais supplémentaires ni un tarif fixe pour la génération terminée. |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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.\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez la réponse complète et les en-têtes, chaque sortie effective, les identifiants initialement renvoyés et tous les champs d’utilisation. Récupérez l’opération d’origine sans soumettre à nouveau sa création.
Conservez le X-Client-Request-ID renvoyé pour le rapprochement. Consultez uniquement les valeurs task_id/asset_id effectivement renvoyées ou votre bibliothèque multimédia ; ne construisez jamais une URL de tâche à partir de l’identifiant de l’opération et ne soumettez jamais à nouveau la création.
| Champ | Type |
|---|---|
Champtext | Type |
Champusage | Type |
Champsegments[] | Type |
Champwords[] | Type |
Champspeaker fields | Type |
Champtimestamps | Type |
Ailoot Ultra microsoft/mai-transcribe-1.5
Utilisez les chemins de méthode indiqués ci-dessus.