Microsoft AI MAI-Transcribe 2 est l’édition de transcription d’audio enregistré de la famille de deuxième génération de Microsoft. Elle convertit le contenu parlé en texte écrit dans 60 langues, avec identification automatique de la langue et prise en charge des discours passant d’une langue à l’autre. Le modèle ajoute la diarisation des locuteurs, l’horodatage au niveau des mots et des styles de transcription sélectionnables. Les livrables utiles comprennent une transcription de réunion avec attribution des locuteurs, un compte rendu d’entretien consultable par recherche, des données d’alignement de sous-titres ou une dictée vérifiée contenant une terminologie spécialisée.
Préparez l’enregistrement en préservant le contenu parlé. Le fabricant indique les entrées WAV, MP3 et FLAC. Gardez l’audio original disponible pour comparer les mots, les noms et les nombres incertains au texte reconnu. 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 se concentrer sur les passages peu clairs ou les chevauchements. Pour un entretien, gardez l’ordre des tours de parole et des pauses au lieu de retirer le contexte qui aide à interpréter une réponse.
La détection automatique de la langue est utile lorsque celle-ci n’est pas connue à l’avance. 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 entre langues, y compris les mélanges comme Hinglish ou Spanglish. L’interface du fabricant accepte aussi un indice de langue unique, décrit comme une instruction forte. Ne l’utilisez que lorsque l’enregistrement est réellement dans la langue spécifiée, plutôt que de forcer une conversation multilingue dans une seule langue attendue.
L’orientation par mots-clés fournit des termes de domaine, des abréviations, des noms de produits et des noms propres qui pourraient sinon être 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 mots techniques employés dans la discussion. Le guide de service les décrit comme des indices de reconnaissance plutôt que des correspondances forcées. Pour un cours technique, incluez l’orthographe exacte des instruments nommés et des termes spécialisés, puis vérifiez si 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 prévu. Verbatim, le style documenté par défaut, conserve les mots de remplissage, les faux départs et les autocorrections. Clean retire les disfluences pour une transcription plus lisible. Un compte rendu servant à examiner le déroulement d’une conversation peut conserver l’hésitation et la correction ; une transcription de cours lisible peut utiliser la formulation nettoyée. Gardez l’audio original à côté de chaque résultat. Le nettoyage améliore la présentation du texte parlé et ne doit pas être traité comme un résumé distinct ou une nouvelle interprétation de l’intention du locuteur.
La diarisation sépare les tours par locuteur détecté, et les horodatages au niveau des mots fournissent un décalage et une durée pour chaque mot. L’interface de service offre 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 peuvent servir à la navigation, à la recherche et au montage. Les libellés distinguent les locuteurs détectés ; associer un libellé au nom d’un participant est une étape de vérification distincte. Pour les sous-titres, utilisez les temps de mots vérifiés pour préparer des groupes lisibles au lieu de supposer que le résultat de reconnaissance est déjà un fichier de sous-titres terminé.
La fiche du modèle indique une taille maximale de fichier de 300 MB et une durée de deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 exige en revanche un fichier inférieur à 250 MB et de moins de deux heures. Ce sont des contraintes publiées distinctes de fiche de modèle et de service ; préparez un fichier respectant la capacité du service applicable. Le guide MAI indique 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 lorsqu’une attribution des locuteurs 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 intégral, phrases et, sur demande, informations de locuteur et d’horodatage. Une phrase peut porter son texte, sa langue, son décalage et sa durée ; l’horodatage des mots peut relier un mot reconnu à l’audio. Pour une archive consultable par recherche, préservez ces relations afin qu’un terme trouvé mène à l’enregistrement. Dans un flux de travail consacré aux réunions, une transcription vérifiée sert de donnée d’entrée aux étapes ultérieures de résumé ou d’extraction des actions à réaliser. Le résultat du modèle vocal est le contenu reconnu, et non un compte rendu des décisions de la réunion vérifié indépendamment.
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 des mots et de style clean/verbatim. MAI-Transcribe 2 Streaming est un modèle distinct pour la transcription incrémentale en temps réel, avec son propre ensemble de fonctions ; sa latence de premier résultat partiel ne décrit pas cette édition d’audio enregistré. Vérifiez la transcription à partir de l’audio pour les noms, les nombres, les tours de parole et les passages multilingues avant de l’utiliser comme source de sous-titres, de citations ou d’un document dérivé.
", "aboutText": "Microsoft AI MAI-Transcribe 2 est l’édition de transcription d’audio enregistré de la famille de deuxième génération de Microsoft. Elle convertit le contenu parlé en texte écrit dans 60 langues, avec identification automatique de la langue et prise en charge des discours passant d’une langue à l’autre. Le modèle ajoute la diarisation des locuteurs, l’horodatage au niveau des mots et des styles de transcription sélectionnables. Les livrables utiles comprennent une transcription de réunion avec attribution des locuteurs, un compte rendu d’entretien consultable par recherche, des données d’alignement de sous-titres ou une dictée vérifiée contenant une terminologie spécialisée.\n\nPréparez l’enregistrement en préservant le contenu parlé. Le fabricant indique les entrées WAV, MP3 et FLAC. Gardez l’audio original disponible pour comparer les mots, les noms et les nombres incertains au texte reconnu. 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 se concentrer sur les passages peu clairs ou les chevauchements. Pour un entretien, gardez l’ordre des tours de parole et des pauses au lieu de retirer le contexte qui aide à interpréter une réponse.\n\nLa détection automatique de la langue est utile lorsque celle-ci n’est pas connue à l’avance. 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 entre langues, y compris les mélanges comme Hinglish ou Spanglish. L’interface du fabricant accepte aussi un indice de langue unique, décrit comme une instruction forte. Ne l’utilisez que lorsque l’enregistrement est réellement dans la langue spécifiée, plutôt que de forcer une conversation multilingue dans une seule langue attendue.\n\nL’orientation par mots-clés fournit des termes de domaine, des abréviations, des noms de produits et des noms propres qui pourraient sinon être 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 mots techniques employés dans la discussion. Le guide de service les décrit comme des indices de reconnaissance plutôt que des correspondances forcées. Pour un cours technique, incluez l’orthographe exacte des instruments nommés et des termes spécialisés, puis vérifiez si 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 prévu. Verbatim, le style documenté par défaut, conserve les mots de remplissage, les faux départs et les autocorrections. Clean retire les disfluences pour une transcription plus lisible. Un compte rendu servant à examiner le déroulement d’une conversation peut conserver l’hésitation et la correction ; une transcription de cours lisible peut utiliser la formulation nettoyée. Gardez l’audio original à côté de chaque résultat. Le nettoyage améliore la présentation du texte parlé et ne doit pas être traité comme un résumé distinct ou une nouvelle interprétation de l’intention du locuteur.\n\nLa diarisation sépare les tours par locuteur détecté, et les horodatages au niveau des mots fournissent un décalage et une durée pour chaque mot. L’interface de service offre 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 peuvent servir à la navigation, à la recherche et au montage. Les libellés distinguent les locuteurs détectés ; associer un libellé au nom d’un participant est une étape de vérification distincte. Pour les sous-titres, utilisez les temps de mots vérifiés pour préparer des groupes lisibles au lieu de supposer que le résultat de reconnaissance est déjà un fichier de sous-titres terminé.\n\nLa fiche du modèle indique une taille maximale de fichier de 300 MB et une durée de deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 exige en revanche un fichier inférieur à 250 MB et de moins de deux heures. Ce sont des contraintes publiées distinctes de fiche de modèle et de service ; préparez un fichier respectant la capacité du service applicable. Le guide MAI indique 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 lorsqu’une attribution des locuteurs 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 intégral, phrases et, sur demande, informations de locuteur et d’horodatage. Une phrase peut porter son texte, sa langue, son décalage et sa durée ; l’horodatage des mots peut relier un mot reconnu à l’audio. Pour une archive consultable par recherche, préservez ces relations afin qu’un terme trouvé mène à l’enregistrement. Dans un flux de travail consacré aux réunions, une transcription vérifiée sert de donnée d’entrée aux étapes ultérieures de résumé ou d’extraction des actions à réaliser. Le résultat du modèle vocal est le contenu reconnu, et non un compte rendu des décisions de la réunion vérifié indépendamment.\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 des mots et de style clean/verbatim. MAI-Transcribe 2 Streaming est un modèle distinct pour la transcription incrémentale en temps réel, avec son propre ensemble de fonctions ; sa latence de premier résultat partiel ne décrit pas cette édition d’audio enregistré. Vérifiez la transcription à partir de l’audio pour les noms, les nombres, les tours de parole et les passages multilingues avant de l’utiliser comme source de sous-titres, de citations ou d’un document dérivé.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "487de0306dd4675fa91899bf90027eba570dd5115ccba19755482ec405f9dc03", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "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, l’horodatage des mots, l’orientation par mots-clés et des styles de transcription nettoyée ou verbatim pour les comptes rendus de réunion, les sous-titres, l’audio consultable par recherche et la dictée spécialisée.
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 transcription d’audio enregistré de la famille de deuxième génération de Microsoft. Elle convertit le contenu parlé en texte écrit dans 60 langues, avec identification automatique de la langue et prise en charge des discours passant d’une langue à l’autre. Le modèle ajoute la diarisation des locuteurs, l’horodatage au niveau des mots et des styles de transcription sélectionnables. Les livrables utiles comprennent une transcription de réunion avec attribution des locuteurs, un compte rendu d’entretien consultable par recherche, des données d’alignement de sous-titres ou une dictée vérifiée contenant une terminologie spécialisée.
Préparez l’enregistrement en préservant le contenu parlé. Le fabricant indique les entrées WAV, MP3 et FLAC. Gardez l’audio original disponible pour comparer les mots, les noms et les nombres incertains au texte reconnu. 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 se concentrer sur les passages peu clairs ou les chevauchements. Pour un entretien, gardez l’ordre des tours de parole et des pauses au lieu de retirer le contexte qui aide à interpréter une réponse.
La détection automatique de la langue est utile lorsque celle-ci n’est pas connue à l’avance. 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 entre langues, y compris les mélanges comme Hinglish ou Spanglish. L’interface du fabricant accepte aussi un indice de langue unique, décrit comme une instruction forte. Ne l’utilisez que lorsque l’enregistrement est réellement dans la langue spécifiée, plutôt que de forcer une conversation multilingue dans une seule langue attendue.
L’orientation par mots-clés fournit des termes de domaine, des abréviations, des noms de produits et des noms propres qui pourraient sinon être 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 mots techniques employés dans la discussion. Le guide de service les décrit comme des indices de reconnaissance plutôt que des correspondances forcées. Pour un cours technique, incluez l’orthographe exacte des instruments nommés et des termes spécialisés, puis vérifiez si 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 prévu. Verbatim, le style documenté par défaut, conserve les mots de remplissage, les faux départs et les autocorrections. Clean retire les disfluences pour une transcription plus lisible. Un compte rendu servant à examiner le déroulement d’une conversation peut conserver l’hésitation et la correction ; une transcription de cours lisible peut utiliser la formulation nettoyée. Gardez l’audio original à côté de chaque résultat. Le nettoyage améliore la présentation du texte parlé et ne doit pas être traité comme un résumé distinct ou une nouvelle interprétation de l’intention du locuteur.
La diarisation sépare les tours par locuteur détecté, et les horodatages au niveau des mots fournissent un décalage et une durée pour chaque mot. L’interface de service offre 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 peuvent servir à la navigation, à la recherche et au montage. Les libellés distinguent les locuteurs détectés ; associer un libellé au nom d’un participant est une étape de vérification distincte. Pour les sous-titres, utilisez les temps de mots vérifiés pour préparer des groupes lisibles au lieu de supposer que le résultat de reconnaissance est déjà un fichier de sous-titres terminé.
La fiche du modèle indique une taille maximale de fichier de 300 MB et une durée de deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 exige en revanche un fichier inférieur à 250 MB et de moins de deux heures. Ce sont des contraintes publiées distinctes de fiche de modèle et de service ; préparez un fichier respectant la capacité du service applicable. Le guide MAI indique 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 lorsqu’une attribution des locuteurs 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 intégral, phrases et, sur demande, informations de locuteur et d’horodatage. Une phrase peut porter son texte, sa langue, son décalage et sa durée ; l’horodatage des mots peut relier un mot reconnu à l’audio. Pour une archive consultable par recherche, préservez ces relations afin qu’un terme trouvé mène à l’enregistrement. Dans un flux de travail consacré aux réunions, une transcription vérifiée sert de donnée d’entrée aux étapes ultérieures de résumé ou d’extraction des actions à réaliser. Le résultat du modèle vocal est le contenu reconnu, et non un compte rendu des décisions de la réunion vérifié indépendamment.
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 des mots et de style clean/verbatim. MAI-Transcribe 2 Streaming est un modèle distinct pour la transcription incrémentale en temps réel, avec son propre ensemble de fonctions ; sa latence de premier résultat partiel ne décrit pas cette édition d’audio enregistré. Vérifiez la transcription à partir de l’audio pour les noms, les nombres, les tours de parole et les passages multilingues avant de l’utiliser comme source de sous-titres, de citations ou d’un document dérivé.
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 par jeton | 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 de génération estimé | 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.