Microsoft AI MAI-Transcribe 2 est l’édition de reconnaissance vocale sur audio enregistré de la famille de transcription de deuxième génération de Microsoft. Elle convertit la parole en texte dans 60 langues, avec identification automatique de la langue et prise en charge des changements de langue pendant la parole. Le modèle ajoute la diarisation, l’horodatage au niveau des mots et le choix du style de transcription. Les livrables utiles comprennent une transcription de réunion attribuée aux locuteurs, un entretien interrogeable, des données d’alignement de sous-titres ou une dictée vérifiée contenant une terminologie spécialisée.
Préparez l’enregistrement en conservant les paroles intactes. Le fabricant cite les entrées WAV, MP3 et FLAC. Gardez l’audio original disponible pour comparer au texte reconnu les mots, noms et nombres incertains. Un enregistrement peut contenir du bruit de fond ou une qualité de microphone variable, que le modèle est conçu pour gérer, mais la vérification doit toujours porter sur les passages peu clairs ou simultanés. Pour un entretien, conservez l’ordre des tours et les pauses plutôt que de retirer le contexte aidant à interpréter une réponse.
La détection automatique est utile lorsque la langue est inconnue au départ. L’ensemble documenté de 60 langues comprend 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 de langue, y compris les mélanges comme Hinglish ou Spanglish. L’interface du fabricant accepte aussi une indication de langue unique, décrite comme une instruction forte. Utilisez-la seulement si l’enregistrement est réellement dans cette langue, plutôt que d’imposer une langue attendue à une conversation multilingue.
Les indications de mots-clés fournissent les termes du domaine, abréviations, noms de produits et noms propres difficiles à distinguer à l’oreille. Préparez une liste ciblée liée à l’enregistrement : nom du projet, gamme de produits ou termes techniques de la discussion. Le guide de service les décrit comme des indices de reconnaissance, pas comme des correspondances forcées. Pour un cours technique, incluez la graphie exacte des instruments nommés et des termes spécialisés, puis vérifiez leur présence aux endroits 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. Verbatim, le réglage documenté par défaut, 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 les hésitations et corrections ; une transcription pédagogique lisible peut utiliser le texte nettoyé. Gardez l’audio original avec les deux types de résultat. Le nettoyage améliore la présentation du texte parlé ; il ne doit pas être considéré comme un résumé distinct ou une nouvelle interprétation de l’intention du locuteur.
La diarisation sépare les tours selon le locuteur détecté, et les horodatages de mots fournissent un décalage et une durée pour chaque mot. L’interface propose aussi l’horodatage par segment ou l’absence d’horodatage. Les segments sont séparés par langue et, lorsque la diarisation est activée, par locuteur. Les champs temporels utilisent des millisecondes pour la navigation, la recherche et le montage. Les étiquettes distinguent les locuteurs détectés ; les associer aux noms des participants est une étape de vérification distincte. Pour les sous-titres, utilisez les horodatages de mots vérifiés pour préparer des groupes lisibles plutôt que de supposer que le résultat de reconnaissance est déjà un fichier de sous-titres fini.
La fiche du modèle indique une taille maximale de 300 MB et une durée de deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 exige, elle, un fichier inférieur à 250 MB et plus court que deux heures. Ce sont des contraintes publiées distinctes de la fiche et du service ; préparez un fichier respectant la limite du service applicable. Le guide MAI précise aussi que la diarisation prend en charge des enregistrements plus courts que la transcription sans diarisation. Organisez les longs contenus à plusieurs locuteurs en sections cohérentes si l’attribution est nécessaire, et conservez la position de chaque section dans l’enregistrement original pour la vérification ultérieure.
La sortie documentée est constituée de données de transcription structurées : texte complet, phrases et, sur demande, informations de locuteurs et de temps. Une phrase peut porter son texte, sa langue, son décalage et sa durée ; l’horodatage peut relier un mot reconnu à l’audio. Pour une archive interrogeable, conservez ces relations afin qu’un terme trouvé renvoie à l’enregistrement. Dans un flux de réunion, une transcription vérifiée devient une entrée de synthèse ou d’extraction d’actions ultérieure. Le modèle vocal fournit le contenu reconnu, pas un compte rendu indépendamment vérifié des décisions de la réunion.
La distinction de version est concrète. MAI-Transcribe 1.5 couvre 43 langues ; cette édition en couvre 60 et ajoute les commandes documentées de diarisation, horodatage des mots et styles clean/verbatim. MAI-Transcribe 2 Streaming est un modèle distinct de transcription progressive en temps réel, avec ses propres fonctions ; sa latence de premier résultat partiel ne décrit pas cette édition sur audio enregistré. Vérifiez les noms, nombres, tours de parole et passages multilingues de la transcription dans l’audio avant de l’utiliser 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 famille de transcription de deuxième génération de Microsoft. Elle convertit la parole en texte dans 60 langues, avec identification automatique de la langue et prise en charge des changements de langue pendant la parole. Le modèle ajoute la diarisation, l’horodatage au niveau des mots et le choix du style de transcription. Les livrables utiles comprennent une transcription de réunion attribuée aux locuteurs, un entretien interrogeable, des données d’alignement de sous-titres ou une dictée vérifiée contenant une terminologie spécialisée.\n\nPréparez l’enregistrement en conservant les paroles intactes. Le fabricant cite les entrées WAV, MP3 et FLAC. Gardez l’audio original disponible pour comparer au texte reconnu les mots, noms et nombres incertains. Un enregistrement peut contenir du bruit de fond ou une qualité de microphone variable, que le modèle est conçu pour gérer, mais la vérification doit toujours porter sur les passages peu clairs ou simultanés. Pour un entretien, conservez l’ordre des tours et les pauses plutôt que de retirer le contexte aidant à interpréter une réponse.\n\nLa détection automatique est utile lorsque la langue est inconnue au départ. L’ensemble documenté de 60 langues comprend 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 de langue, y compris les mélanges comme Hinglish ou Spanglish. L’interface du fabricant accepte aussi une indication de langue unique, décrite comme une instruction forte. Utilisez-la seulement si l’enregistrement est réellement dans cette langue, plutôt que d’imposer une langue attendue à une conversation multilingue.\n\nLes indications de mots-clés fournissent les termes du domaine, abréviations, noms de produits et noms propres difficiles à distinguer à l’oreille. Préparez une liste ciblée liée à l’enregistrement : nom du projet, gamme de produits ou termes techniques de la discussion. Le guide de service les décrit comme des indices de reconnaissance, pas comme des correspondances forcées. Pour un cours technique, incluez la graphie exacte des instruments nommés et des termes spécialisés, puis vérifiez leur présence aux endroits 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. Verbatim, le réglage documenté par défaut, 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 les hésitations et corrections ; une transcription pédagogique lisible peut utiliser le texte nettoyé. Gardez l’audio original avec les deux types de résultat. Le nettoyage améliore la présentation du texte parlé ; il ne doit pas être considéré comme un résumé distinct ou une nouvelle interprétation de l’intention du locuteur.\n\nLa diarisation sépare les tours selon le locuteur détecté, et les horodatages de mots fournissent un décalage et une durée pour chaque mot. L’interface propose aussi l’horodatage par segment ou l’absence d’horodatage. Les segments sont séparés par langue et, lorsque la diarisation est activée, par locuteur. Les champs temporels utilisent des millisecondes pour la navigation, la recherche et le montage. Les étiquettes distinguent les locuteurs détectés ; les associer aux noms des participants est une étape de vérification distincte. Pour les sous-titres, utilisez les horodatages de mots vérifiés pour préparer des groupes lisibles plutôt que de supposer que le résultat de reconnaissance est déjà un fichier de sous-titres fini.\n\nLa fiche du modèle indique une taille maximale de 300 MB et une durée de deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 exige, elle, un fichier inférieur à 250 MB et plus court que deux heures. Ce sont des contraintes publiées distinctes de la fiche et du service ; préparez un fichier respectant la limite du service applicable. Le guide MAI précise aussi que la diarisation prend en charge des enregistrements plus courts que la transcription sans diarisation. Organisez les longs contenus à plusieurs locuteurs en sections cohérentes si l’attribution est nécessaire, et conservez la position de chaque section dans l’enregistrement original pour la vérification ultérieure.\n\nLa sortie documentée est constituée de données de transcription structurées : texte complet, phrases et, sur demande, informations de locuteurs et de temps. Une phrase peut porter son texte, sa langue, son décalage et sa durée ; l’horodatage peut relier un mot reconnu à l’audio. Pour une archive interrogeable, conservez ces relations afin qu’un terme trouvé renvoie à l’enregistrement. Dans un flux de réunion, une transcription vérifiée devient une entrée de synthèse ou d’extraction d’actions ultérieure. Le modèle vocal fournit le contenu reconnu, pas un compte rendu indépendamment vérifié des décisions de la réunion.\n\nLa distinction de version est concrète. MAI-Transcribe 1.5 couvre 43 langues ; cette édition en couvre 60 et ajoute les commandes documentées de diarisation, horodatage des mots et styles clean/verbatim. MAI-Transcribe 2 Streaming est un modèle distinct de transcription progressive en temps réel, avec ses propres fonctions ; sa latence de premier résultat partiel ne décrit pas cette édition sur audio enregistré. Vérifiez les noms, nombres, tours de parole et passages multilingues de la transcription dans l’audio avant de l’utiliser pour des sous-titres, citations ou documents dérivés.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7a2b42f931b85759051e4c4ee719f9e15d40d0785956663761fafa110e0a2dd4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "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, l’horodatage des mots, les indications de mots-clés et les styles nettoyé ou verbatim pour les comptes rendus, sous-titres, audios interrogeables 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 famille de transcription de deuxième génération de Microsoft. Elle convertit la parole en texte dans 60 langues, avec identification automatique de la langue et prise en charge des changements de langue pendant la parole. Le modèle ajoute la diarisation, l’horodatage au niveau des mots et le choix du style de transcription. Les livrables utiles comprennent une transcription de réunion attribuée aux locuteurs, un entretien interrogeable, des données d’alignement de sous-titres ou une dictée vérifiée contenant une terminologie spécialisée.
Préparez l’enregistrement en conservant les paroles intactes. Le fabricant cite les entrées WAV, MP3 et FLAC. Gardez l’audio original disponible pour comparer au texte reconnu les mots, noms et nombres incertains. Un enregistrement peut contenir du bruit de fond ou une qualité de microphone variable, que le modèle est conçu pour gérer, mais la vérification doit toujours porter sur les passages peu clairs ou simultanés. Pour un entretien, conservez l’ordre des tours et les pauses plutôt que de retirer le contexte aidant à interpréter une réponse.
La détection automatique est utile lorsque la langue est inconnue au départ. L’ensemble documenté de 60 langues comprend 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 de langue, y compris les mélanges comme Hinglish ou Spanglish. L’interface du fabricant accepte aussi une indication de langue unique, décrite comme une instruction forte. Utilisez-la seulement si l’enregistrement est réellement dans cette langue, plutôt que d’imposer une langue attendue à une conversation multilingue.
Les indications de mots-clés fournissent les termes du domaine, abréviations, noms de produits et noms propres difficiles à distinguer à l’oreille. Préparez une liste ciblée liée à l’enregistrement : nom du projet, gamme de produits ou termes techniques de la discussion. Le guide de service les décrit comme des indices de reconnaissance, pas comme des correspondances forcées. Pour un cours technique, incluez la graphie exacte des instruments nommés et des termes spécialisés, puis vérifiez leur présence aux endroits 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. Verbatim, le réglage documenté par défaut, 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 les hésitations et corrections ; une transcription pédagogique lisible peut utiliser le texte nettoyé. Gardez l’audio original avec les deux types de résultat. Le nettoyage améliore la présentation du texte parlé ; il ne doit pas être considéré comme un résumé distinct ou une nouvelle interprétation de l’intention du locuteur.
La diarisation sépare les tours selon le locuteur détecté, et les horodatages de mots fournissent un décalage et une durée pour chaque mot. L’interface propose aussi l’horodatage par segment ou l’absence d’horodatage. Les segments sont séparés par langue et, lorsque la diarisation est activée, par locuteur. Les champs temporels utilisent des millisecondes pour la navigation, la recherche et le montage. Les étiquettes distinguent les locuteurs détectés ; les associer aux noms des participants est une étape de vérification distincte. Pour les sous-titres, utilisez les horodatages de mots vérifiés pour préparer des groupes lisibles plutôt que de supposer que le résultat de reconnaissance est déjà un fichier de sous-titres fini.
La fiche du modèle indique une taille maximale de 300 MB et une durée de deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 exige, elle, un fichier inférieur à 250 MB et plus court que deux heures. Ce sont des contraintes publiées distinctes de la fiche et du service ; préparez un fichier respectant la limite du service applicable. Le guide MAI précise aussi que la diarisation prend en charge des enregistrements plus courts que la transcription sans diarisation. Organisez les longs contenus à plusieurs locuteurs en sections cohérentes si l’attribution est nécessaire, et conservez la position de chaque section dans l’enregistrement original pour la vérification ultérieure.
La sortie documentée est constituée de données de transcription structurées : texte complet, phrases et, sur demande, informations de locuteurs et de temps. Une phrase peut porter son texte, sa langue, son décalage et sa durée ; l’horodatage peut relier un mot reconnu à l’audio. Pour une archive interrogeable, conservez ces relations afin qu’un terme trouvé renvoie à l’enregistrement. Dans un flux de réunion, une transcription vérifiée devient une entrée de synthèse ou d’extraction d’actions ultérieure. Le modèle vocal fournit le contenu reconnu, pas un compte rendu indépendamment vérifié des décisions de la réunion.
La distinction de version est concrète. MAI-Transcribe 1.5 couvre 43 langues ; cette édition en couvre 60 et ajoute les commandes documentées de diarisation, horodatage des mots et styles clean/verbatim. MAI-Transcribe 2 Streaming est un modèle distinct de transcription progressive en temps réel, avec ses propres fonctions ; sa latence de premier résultat partiel ne décrit pas cette édition sur audio enregistré. Vérifiez les noms, nombres, tours de parole et passages multilingues de la transcription dans l’audio avant de l’utiliser 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 limitée au 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.