Microsoft AI MAI-Transcribe 2 est l’édition de reconnaissance vocale sur audio enregistré de la deuxième génération de transcription de Microsoft. Elle convertit la parole en texte écrit dans 60 langues, avec identification automatique de la langue et prise en charge de l’alternance entre langues. Le modèle ajoute la diarisation des locuteurs, l’horodatage des mots et des styles de transcription sélectionnables. Les livrables utiles comprennent une transcription de réunion attribuée, un entretien consultable par recherche, des données d’alignement de sous-titres ou une dictée vérifiée contenant une terminologie spécialisée.
Préparez l’enregistrement en conservant la parole intacte. Le fabricant énumère les entrées WAV, MP3 et FLAC. Gardez l’audio original pour comparer les mots, noms et nombres incertains au texte reconnu. Un enregistrement peut contenir du bruit ambiant ou une qualité de microphone variable, que le modèle est conçu pour gérer, mais la vérification doit toujours cibler les passages peu clairs ou superposés. Pour un entretien, gardez la succession des tours et des pauses plutôt que de retirer le contexte aidant à interpréter une réponse.
La détection automatique est utile lorsque la langue n’est pas connue d’avance. Les 60 langues documentées comprennent l’anglais, le russe, le chinois, le japonais, le coréen, l’arabe, le français, l’allemand, l’espagnol, l’indonésien, le malais, le thaï et le vietnamien. L’alternance linguistique couvre les changements naturels entre langues, y compris les mélanges comme le Hinglish ou le Spanglish. L’interface accepte aussi une indication de langue unique, décrite comme une instruction forte. Utilisez-la uniquement lorsque l’enregistrement est réellement dans cette langue, plutôt que de forcer une conversation multilingue dans une langue attendue.
Les indications de mots-clés fournissent des termes métier, abréviations, noms de produits et noms propres parfois difficiles à distinguer à l’écoute. Préparez une liste ciblée liée à l’enregistrement, comme le nom du projet, une gamme de produits ou les termes techniques de la discussion. Le guide de service les décrit comme des aides à la reconnaissance plutôt que des correspondances forcées. Pour un cours technique, incluez les graphies exactes des instruments nommés et des termes spécialisés, puis vérifiez que la transcription les place là où ils ont réellement été prononcés. Un terme fourni ne prouve pas que le locuteur l’a dit.
Choisissez le style de sortie selon le livrable visé. Verbatim, valeur par défaut documentée, conserve hésitations, faux départs et autocorrections. Clean retire les disfluences pour rendre la transcription plus lisible. Un relevé destiné à examiner le déroulement d’une conversation peut préserver l’hésitation et la correction ; une transcription de cours lisible peut employer la formulation épurée. Gardez l’audio original avec l’un ou l’autre résultat. Le nettoyage améliore la présentation des paroles et ne doit pas être traité comme un résumé distinct ou une nouvelle interprétation de leur sens.
La diarisation sépare les tours selon le locuteur détecté, et les horodatages par mot fournissent un décalage et une durée pour chaque mot. L’interface de service propose aussi un horodatage par segment ou aucun horodatage. Les segments sont divisés par langue et, lorsque la diarisation est activée, par locuteur. Les champs temporels utilisent les millisecondes et servent la navigation, la recherche et le montage. Les étiquettes distinguent les locuteurs détectés ; les associer aux noms des participants exige une vérification séparée. Pour les sous-titres, utilisez les temps par mot vérifiés afin de préparer des groupes lisibles, sans supposer que le résultat de reconnaissance est déjà un fichier de sous-titres terminé.
La fiche indique une taille maximale de 300 Mo et deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 impose toutefois un fichier inférieur à 250 Mo et de moins de deux heures. Ce sont des contraintes distinctes publiées dans la fiche et pour le service ; préparez un fichier respectant la limite de service applicable. Le guide MAI précise également que la diarisation prend en charge des enregistrements plus courts que la transcription sans diarisation. Découpez les longs enregistrements multilocuteurs en sections cohérentes si l’attribution est requise et conservez leur position dans l’original pour la vérification ultérieure.
La sortie documentée est une transcription structurée : texte intégral, phrases et, si demandées, informations de locuteurs et d’horodatage. Une phrase peut contenir son texte, sa langue, son décalage et sa durée ; l’horodatage par mot peut relier un mot reconnu à l’audio. Pour des archives consultables, préservez ces relations afin qu’un terme trouvé ramène à l’enregistrement. Pour une réunion, une transcription vérifiée devient une entrée pour une synthèse ou une extraction d’actions ultérieure. Le résultat du modèle vocal est le contenu reconnu, pas un relevé indépendamment vérifié des décisions de la réunion.
La distinction entre versions est concrète. MAI-Transcribe 1.5 couvre 43 langues, tandis que cette édition en couvre 60 et ajoute les commandes documentées de diarisation, d’horodatage par mot et de styles Clean/Verbatim. MAI-Transcribe 2 Streaming est un modèle séparé pour la transcription incrémentale en temps réel, avec ses propres fonctions ; sa latence de premier résultat partiel ne décrit pas cette édition d’audio enregistré. Vérifiez les noms, nombres, tours de parole et passages multilingues à partir de l’audio avant d’utiliser la transcription pour des sous-titres, citations ou documents dérivés.
", "aboutText": "Microsoft AI MAI-Transcribe 2 est l’édition de reconnaissance vocale sur audio enregistré de la deuxième génération de transcription de Microsoft. Elle convertit la parole en texte écrit dans 60 langues, avec identification automatique de la langue et prise en charge de l’alternance entre langues. Le modèle ajoute la diarisation des locuteurs, l’horodatage des mots et des styles de transcription sélectionnables. Les livrables utiles comprennent une transcription de réunion attribuée, un entretien consultable par recherche, des données d’alignement de sous-titres ou une dictée vérifiée contenant une terminologie spécialisée.\n\nPréparez l’enregistrement en conservant la parole intacte. Le fabricant énumère les entrées WAV, MP3 et FLAC. Gardez l’audio original pour comparer les mots, noms et nombres incertains au texte reconnu. Un enregistrement peut contenir du bruit ambiant ou une qualité de microphone variable, que le modèle est conçu pour gérer, mais la vérification doit toujours cibler les passages peu clairs ou superposés. Pour un entretien, gardez la succession des tours et des pauses plutôt que de retirer le contexte aidant à interpréter une réponse.\n\nLa détection automatique est utile lorsque la langue n’est pas connue d’avance. Les 60 langues documentées comprennent l’anglais, le russe, le chinois, le japonais, le coréen, l’arabe, le français, l’allemand, l’espagnol, l’indonésien, le malais, le thaï et le vietnamien. L’alternance linguistique couvre les changements naturels entre langues, y compris les mélanges comme le Hinglish ou le Spanglish. L’interface accepte aussi une indication de langue unique, décrite comme une instruction forte. Utilisez-la uniquement lorsque l’enregistrement est réellement dans cette langue, plutôt que de forcer une conversation multilingue dans une langue attendue.\n\nLes indications de mots-clés fournissent des termes métier, abréviations, noms de produits et noms propres parfois difficiles à distinguer à l’écoute. Préparez une liste ciblée liée à l’enregistrement, comme le nom du projet, une gamme de produits ou les termes techniques de la discussion. Le guide de service les décrit comme des aides à la reconnaissance plutôt que des correspondances forcées. Pour un cours technique, incluez les graphies exactes des instruments nommés et des termes spécialisés, puis vérifiez que la transcription les place là où ils ont réellement été prononcés. Un terme fourni ne prouve pas que le locuteur l’a dit.\n\nChoisissez le style de sortie selon le livrable visé. Verbatim, valeur par défaut documentée, conserve hésitations, faux départs et autocorrections. Clean retire les disfluences pour rendre la transcription plus lisible. Un relevé destiné à examiner le déroulement d’une conversation peut préserver l’hésitation et la correction ; une transcription de cours lisible peut employer la formulation épurée. Gardez l’audio original avec l’un ou l’autre résultat. Le nettoyage améliore la présentation des paroles et ne doit pas être traité comme un résumé distinct ou une nouvelle interprétation de leur sens.\n\nLa diarisation sépare les tours selon le locuteur détecté, et les horodatages par mot fournissent un décalage et une durée pour chaque mot. L’interface de service propose aussi un horodatage par segment ou aucun horodatage. Les segments sont divisés par langue et, lorsque la diarisation est activée, par locuteur. Les champs temporels utilisent les millisecondes et servent la navigation, la recherche et le montage. Les étiquettes distinguent les locuteurs détectés ; les associer aux noms des participants exige une vérification séparée. Pour les sous-titres, utilisez les temps par mot vérifiés afin de préparer des groupes lisibles, sans supposer que le résultat de reconnaissance est déjà un fichier de sous-titres terminé.\n\nLa fiche indique une taille maximale de 300 Mo et deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 impose toutefois un fichier inférieur à 250 Mo et de moins de deux heures. Ce sont des contraintes distinctes publiées dans la fiche et pour le service ; préparez un fichier respectant la limite de service applicable. Le guide MAI précise également que la diarisation prend en charge des enregistrements plus courts que la transcription sans diarisation. Découpez les longs enregistrements multilocuteurs en sections cohérentes si l’attribution est requise et conservez leur position dans l’original pour la vérification ultérieure.\n\nLa sortie documentée est une transcription structurée : texte intégral, phrases et, si demandées, informations de locuteurs et d’horodatage. Une phrase peut contenir son texte, sa langue, son décalage et sa durée ; l’horodatage par mot peut relier un mot reconnu à l’audio. Pour des archives consultables, préservez ces relations afin qu’un terme trouvé ramène à l’enregistrement. Pour une réunion, une transcription vérifiée devient une entrée pour une synthèse ou une extraction d’actions ultérieure. Le résultat du modèle vocal est le contenu reconnu, pas un relevé indépendamment vérifié des décisions de la réunion.\n\nLa distinction entre versions est concrète. MAI-Transcribe 1.5 couvre 43 langues, tandis que cette édition en couvre 60 et ajoute les commandes documentées de diarisation, d’horodatage par mot et de styles Clean/Verbatim. MAI-Transcribe 2 Streaming est un modèle séparé pour la transcription incrémentale en temps réel, avec ses propres fonctions ; sa latence de premier résultat partiel ne décrit pas cette édition d’audio enregistré. Vérifiez les noms, nombres, tours de parole et passages multilingues à partir de l’audio avant d’utiliser la transcription pour des sous-titres, citations ou documents dérivés.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7a2f8e20ca34304ebb3eb393b489e6dfa6432b6ee9107ad648dcf1fa76a7a304", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "microsoft/mai-transcribe-2Microsoft AI MAI-Transcribe 2 transforme la parole enregistrée en texte dans 60 langues, avec identification automatique de la langue et alternance linguistique. Il ajoute la diarisation des locuteurs, les temps par mot, les indications de mots-clés et les styles épuré ou verbatim pour les comptes rendus de réunion, sous-titres, audios consultables et dictées spécialisées.
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 2 est l’édition de reconnaissance vocale sur audio enregistré de la deuxième génération de transcription de Microsoft. Elle convertit la parole en texte écrit dans 60 langues, avec identification automatique de la langue et prise en charge de l’alternance entre langues. Le modèle ajoute la diarisation des locuteurs, l’horodatage des mots et des styles de transcription sélectionnables. Les livrables utiles comprennent une transcription de réunion attribuée, un entretien consultable par recherche, des données d’alignement de sous-titres ou une dictée vérifiée contenant une terminologie spécialisée.
Préparez l’enregistrement en conservant la parole intacte. Le fabricant énumère les entrées WAV, MP3 et FLAC. Gardez l’audio original pour comparer les mots, noms et nombres incertains au texte reconnu. Un enregistrement peut contenir du bruit ambiant ou une qualité de microphone variable, que le modèle est conçu pour gérer, mais la vérification doit toujours cibler les passages peu clairs ou superposés. Pour un entretien, gardez la succession des tours et des pauses plutôt que de retirer le contexte aidant à interpréter une réponse.
La détection automatique est utile lorsque la langue n’est pas connue d’avance. Les 60 langues documentées comprennent l’anglais, le russe, le chinois, le japonais, le coréen, l’arabe, le français, l’allemand, l’espagnol, l’indonésien, le malais, le thaï et le vietnamien. L’alternance linguistique couvre les changements naturels entre langues, y compris les mélanges comme le Hinglish ou le Spanglish. L’interface accepte aussi une indication de langue unique, décrite comme une instruction forte. Utilisez-la uniquement lorsque l’enregistrement est réellement dans cette langue, plutôt que de forcer une conversation multilingue dans une langue attendue.
Les indications de mots-clés fournissent des termes métier, abréviations, noms de produits et noms propres parfois difficiles à distinguer à l’écoute. Préparez une liste ciblée liée à l’enregistrement, comme le nom du projet, une gamme de produits ou les termes techniques de la discussion. Le guide de service les décrit comme des aides à la reconnaissance plutôt que des correspondances forcées. Pour un cours technique, incluez les graphies exactes des instruments nommés et des termes spécialisés, puis vérifiez que la transcription les place là où ils ont réellement été prononcés. Un terme fourni ne prouve pas que le locuteur l’a dit.
Choisissez le style de sortie selon le livrable visé. Verbatim, valeur par défaut documentée, conserve hésitations, faux départs et autocorrections. Clean retire les disfluences pour rendre la transcription plus lisible. Un relevé destiné à examiner le déroulement d’une conversation peut préserver l’hésitation et la correction ; une transcription de cours lisible peut employer la formulation épurée. Gardez l’audio original avec l’un ou l’autre résultat. Le nettoyage améliore la présentation des paroles et ne doit pas être traité comme un résumé distinct ou une nouvelle interprétation de leur sens.
La diarisation sépare les tours selon le locuteur détecté, et les horodatages par mot fournissent un décalage et une durée pour chaque mot. L’interface de service propose aussi un horodatage par segment ou aucun horodatage. Les segments sont divisés par langue et, lorsque la diarisation est activée, par locuteur. Les champs temporels utilisent les millisecondes et servent la navigation, la recherche et le montage. Les étiquettes distinguent les locuteurs détectés ; les associer aux noms des participants exige une vérification séparée. Pour les sous-titres, utilisez les temps par mot vérifiés afin de préparer des groupes lisibles, sans supposer que le résultat de reconnaissance est déjà un fichier de sous-titres terminé.
La fiche indique une taille maximale de 300 Mo et deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 impose toutefois un fichier inférieur à 250 Mo et de moins de deux heures. Ce sont des contraintes distinctes publiées dans la fiche et pour le service ; préparez un fichier respectant la limite de service applicable. Le guide MAI précise également que la diarisation prend en charge des enregistrements plus courts que la transcription sans diarisation. Découpez les longs enregistrements multilocuteurs en sections cohérentes si l’attribution est requise et conservez leur position dans l’original pour la vérification ultérieure.
La sortie documentée est une transcription structurée : texte intégral, phrases et, si demandées, informations de locuteurs et d’horodatage. Une phrase peut contenir son texte, sa langue, son décalage et sa durée ; l’horodatage par mot peut relier un mot reconnu à l’audio. Pour des archives consultables, préservez ces relations afin qu’un terme trouvé ramène à l’enregistrement. Pour une réunion, une transcription vérifiée devient une entrée pour une synthèse ou une extraction d’actions ultérieure. Le résultat du modèle vocal est le contenu reconnu, pas un relevé indépendamment vérifié des décisions de la réunion.
La distinction entre versions est concrète. MAI-Transcribe 1.5 couvre 43 langues, tandis que cette édition en couvre 60 et ajoute les commandes documentées de diarisation, d’horodatage par mot et de styles Clean/Verbatim. MAI-Transcribe 2 Streaming est un modèle séparé pour la transcription incrémentale en temps réel, avec ses propres fonctions ; sa latence de premier résultat partiel ne décrit pas cette édition d’audio enregistré. Vérifiez les noms, nombres, tours de parole et passages multilingues à partir de l’audio avant d’utiliser la transcription pour des sous-titres, citations ou documents dérivés.
POST /v1/audio/transcriptionsaudiotext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites microsoft/mai-transcribe-2 | 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 $0.2 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 $0.00005555555555555556 estimation avant génération Cette estimation ne constitue ni des frais supplémentaires ni un tarif fixe pour la génération terminée. |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'microsoft/mai-transcribe-2', 'input_audio': {'data': '${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.\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-2
Utilisez les chemins de méthode indiqués ci-dessus.