Source: https://ailoot.ai/models/ja/microsoft-mai-transcribe-2/ Canonical: https://ailoot.ai/models/ja/microsoft-mai-transcribe-2/ Language: ja # Microsoft AI: MAI-Transcribe 2 [Markdown](https://ailoot.ai/models/ja/microsoft-mai-transcribe-2/index.md) · [JSON](https://ailoot.ai/models/ja/microsoft-mai-transcribe-2/facts.json) ## [Microsoft AI: MAI-Transcribe 2](https://ailoot.ai/models/ja/microsoft-mai-transcribe-2/) Microsoft AI MAI-Transcribe 2は、自動言語識別と言語の切り替えに対応し、録音した発話を60言語で文字起こしします。話者分離、単語時刻、キーワードの認識支援、整文・逐語形式を備え、会議記録、字幕、検索できる音声、専門分野の口述入力に使えます。 - [**Ailoot Ultra · 文字起こし** `POST /v1/audio/transcriptions` `microsoft/mai-transcribe-2`](https://ailoot.ai/models/ja/microsoft-mai-transcribe-2/#method-0) モデルについて この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。 Microsoft AI MAI-Transcribe 2は、Microsoftの第2世代文字起こしファミリーの、録音音声を対象とする音声認識版です。60言語の発話を文章に変換し、自動言語識別と、言語が切り替わる発話に対応します。話者分離、単語単位の時刻、選択可能な文字起こし形式が加わっています。有用な成果物には、話者付きの会議文字起こし、検索できるインタビュー記録、字幕のアラインメントデータ、専門用語を含む確認済みの口述文があります。 発話内容を欠かさず録音を用意します。メーカーの入力形式はWAV、MP3、FLACです。不確かな語、名前、数値を認識テキストと比べられるよう、元の音声を保持します。背景雑音やマイク品質の違いに対応する設計ですが、確認では不明瞭な箇所や発話の重なりに注目します。インタビューでは、回答の解釈に必要な文脈を消さず、発言と間の順序を保持します。 自動言語検出は、事前に言語が分からない場合に便利です。記載された60言語には、英語、ロシア語、中国語、日本語、韓国語、アラビア語、フランス語、ドイツ語、スペイン語、インドネシア語、マレー語、タイ語、ベトナム語があります。言語の切り替えには、HinglishやSpanglishのような混合も含む自然な変更が含まれます。メーカーのインターフェースは1つの言語ヒントも受け付け、強い指示と説明しています。多言語会話を1言語に押し込めず、録音が実際にその言語である場合だけ使ってください。 キーワードの認識支援では、音だけでは識別しにくい専門用語、略語、商品名、固有名詞を渡せます。プロジェクト名、製品系列、議論の専門語など、録音に関係するリストを用意します。配信ガイドは、強制一致ではなく認識ヒントと説明しています。技術講義なら、機器名や専門用語の正確な綴りを含め、実際に発話した位置に文字起こしされるかを確認します。語を渡したことは、話者がその語を言った証拠ではありません。 成果物の用途に合わせて出力形式を選びます。記載された既定のVerbatimは、フィラー、言い直し前の発話、自己訂正を残します。Cleanは発話のつかえなどを除いて読みやすくします。会話の展開を調べる記録ならためらいや訂正を残し、読みやすい授業の文字起こしなら整文を使えます。どちらにも元の音声を添えます。整文は発話の見せ方を改善する処理であり、別の要約や発言意図の新しい解釈ではありません。 話者分離は検出した話者ごとに発言を分け、単語単位のタイムスタンプは各語のオフセットと長さを提供します。配信インターフェースでは、区間単位の時刻や時刻なしも選べます。区間は言語別、話者分離が有効なら話者別にも分けられます。時刻フィールドはミリ秒で、位置への移動、検索、編集を支援できます。ラベルは検出した話者の区別であり、参加者名との対応は別途確認します。字幕では、認識結果を完成済み字幕ファイルとみなさず、確認した単語時刻から読みやすいキューを用意します。 モデルカードは最大ファイルサイズ300 MB、長さ2時間を示しています。一方、リンク先の2025-10-15インターフェースの同期RESTリファレンスは、250 MB未満、2時間未満を要求します。モデルカードと配信には、別々の公開制約があります。適用される配信枠内のファイルを用意してください。MAIガイドは、話者分離では話者分離なしの文字起こしより短い録音を扱うとも示しています。話者の特定が必要な長い資料は、意味のまとまった区間に分け、後の確認用に元の録音内の位置を保持します。 記載された出力は、全文、フレーズ、要求した場合の話者・時刻情報を含む構造化文字起こしデータです。フレーズにはテキスト、言語、オフセット、長さを持たせられ、単語時刻は認識語を音声に結び付けます。検索できるアーカイブでは、見つけた語から録音へ戻れるよう、この関係を残します。会議では、確認済みの文字起こしを後の要約や対応事項抽出の入力にできます。音声モデルの結果は認識した内容であり、会議の決定を独立に検証した記録ではありません。 版の違いは具体的です。MAI-Transcribe 1.5は43言語、この版は60言語で、記載された話者分離、単語タイムスタンプ、clean/verbatim制御が加わります。MAI-Transcribe 2 Streamingは、独自の機能を持つ逐次リアルタイム文字起こしの別モデルです。その最初の部分結果の遅延は、この録音音声版を表しません。字幕、引用、派生文書の原資料として使う前に、名前、数値、話者のターン、混合言語の箇所を音声と照合してください。 **Ailoot Ultra · 文字起こし** `POST /v1/audio/transcriptions` `microsoft/mai-transcribe-2` [`microsoft/mai-transcribe-2`](https://ailoot.ai/models/ja/#m=microsoft%2Fmai-transcribe-2&route=Ultra&caller=microsoft%2Fmai-transcribe-2&fmt=transcriptions) Microsoft AI /`microsoft/mai-transcribe-2` ### はじめに Microsoft AI MAI-Transcribe 2は、自動言語識別と言語の切り替えに対応し、録音した発話を60言語で文字起こしします。話者分離、単語時刻、キーワードの認識支援、整文・逐語形式を備え、会議記録、字幕、検索できる音声、専門分野の口述入力に使えます。 対応する入力 音声 結果 テキスト ### Ailootで利用可能 · 入力とメソッド **Ailoot Ultra · 文字起こし** `POST /v1/audio/transcriptions` 入力の種類 `audio` 出力の種類 `text` | フィールド | 種類 | 要件 | 値と制限 | デフォルト | | --- | --- | --- | --- | --- | | フィールド`model` | 種類`string` | 要件必須 | 値と制限 microsoft/mai-transcribe-2 | デフォルト— | | フィールド`input_audio` | 種類`object` | 要件必須 | 値と制限 | デフォルト— | | フィールド`language` | 種類`string` | 要件任意 | 値と制限 | デフォルト— | | フィールド`temperature` | 種類`number` | 要件任意 | 値と制限 最小値: 0 最大値: 1 | デフォルト— | | フィールド`response_format` | 種類`string` | 要件任意 | 値と制限 json, verbose\_json | デフォルトjson | | フィールド`timestamp_granularities` | 種類`array` | 要件任意 | 値と制限 | デフォルト— | | フィールド`provider` | 種類`object` | 要件任意 | 値と制限 | デフォルト— | メソッドのパラメータとライフサイクル | パラメータ | 仕様 | | --- | --- | | パラメータ`content_type` | 仕様application/json | | パラメータ`required` | 仕様model, input\_audio | | パラメータ`material_types` | 仕様audio | | パラメータ`material_conditions` | 仕様実際のWAVファイルを読み込み、その実際のバイト列を、宣言されたJSONのinput\_audio向けにエンコードしてください。この厳密にJSONのみを扱う宣言では、multipartルートは提供するとしていません。 | ライフサイクル: `synchronous_result_then_owned_library` `GET /v1/media/tasks/{task_id}` · 実際に返された task\_id またはメディアライブラリのレコード `GET /v1/media/assets/{asset_id}/content` `GET /v1/media/assets` `GET /v1/media/assets/{asset_id}` ### 料金 ##### 最終料金の計算方法 表示料金は生成前の費用の見積もりです。最終請求額は、元の生成処理に記録された費用から計算されます。実測された出力時間や予測数量が、そのまま最終的な課金数量になるわけではありません。 料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。 高速モード 未指定 高速モードが選択されている場合 Flex モード 未指定 flex モードが選択されている場合 最大推論量 未指定 推論量が最大で、調整に既定値（default）を使用する場合 #### 比較用の推定料金 #### 設定別の価格 各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。 | 設定 | 料金表 | 予測数量 | 課金単位 | 料金 | | --- | --- | --- | --- | --- | | 設定基本トークン料金 | 料金表基本料金 | 予測数量— | 課金単位— | 料金 入力 · 入力トークン · 比較専用の見積もり **—** / 1K トークン 出力 · 出力トークン · 比較専用の見積もり **—** / 1K トークン 入力 · キャッシュ読み取り · 比較専用の見積もり **—** / 1K トークン 入力 · キャッシュ書き込み · 比較専用の見積もり **—** / 1K トークン 入力 · キャッシュ書き込み、1時間 · 比較専用の見積もり **—** / 1K トークン | | 設定入力音声の時間数 | 料金表— | 予測数量— | 課金単位入力音声1時間あたり | 料金 入力 · 入力音声の時間数 · 比較専用の見積もり **$0.2** 入力音声1時間あたり | | 設定生成費用の見積もり | 料金表— | 予測数量生成1回分の概算 | 課金単位— | 料金 出力 · 推定生成コスト · 比較専用の見積もり **$0.00005555555555555556** 生成前の見積もり この見積もりは追加料金ではなく、完了した生成処理に対する固定料金でもありません。 | Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。[金額の確保と精算の仕組み →](https://ailoot.ai/docs/ja/billing/reserve/) ### リクエスト例 #### Ailoot Ultra · 文字起こし curl · 正確なネイティブ形式のボディと結果全体 ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path import base64 audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes() if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file') if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow') request={'model': 'microsoft/mai-transcribe-2', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}} request['input_audio']['data']=base64.b64encode(audio).decode('ascii') Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8') PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o response.bin # Keep the complete original response and headers. Read every returned segment, word and usage field. # Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting. ``` ### 結果を受け取って保存 #### Ailoot Ultra · 文字起こし - `GET /v1/media/tasks/{task_id}` - `GET /v1/media/assets/{asset_id}/content` - `GET /v1/media/assets` - `GET /v1/media/assets/{asset_id}` その他のコンテンツ取得 自分が所有する既存のアセットを読み取る ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \ -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json # Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token. ``` ##### 完了した結果をすべて保存 返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。 レスポンスとヘッダーの全体、実際の出力すべて、最初に返された識別子、使用量フィールドすべてを保存してください。作成リクエストを再送せずに、元の操作を復旧してください。 ##### 元のレスポンスを確認する場合 照合のため、返された X-Client-Request-ID を保存してください。実際に返された task\_id/asset\_id の値、または自分が所有するメディアライブラリだけを使って読み取ってください。操作 ID からタスクの URL を組み立てたり、作成リクエストを再送したりしないでください。 レスポンスのフィールド | フィールド | 種類 | | --- | --- | | フィールド`text` | 種類 | | フィールド`usage` | 種類 | | フィールド`segments[]` | 種類 | | フィールド`words[]` | 種類 | | フィールド`speaker fields` | 種類 | | フィールド`timestamps` | 種類 | ### エイリアス #### モデルのエイリアス **Ailoot Ultra** [`microsoft/mai-transcribe-2`](https://ailoot.ai/models/ja/#m=microsoft%2Fmai-transcribe-2&route=Ultra&caller=microsoft%2Fmai-transcribe-2&fmt=transcriptions) #### メソッドパスのエイリアス 上記に表示されたメソッドパスを使用してください。 #### 関連する呼び出し用ID [`microsoft/mai-transcribe-2`](https://ailoot.ai/models/ja/#m=microsoft%2Fmai-transcribe-2&route=Ultra&caller=microsoft%2Fmai-transcribe-2&fmt=transcriptions) FAQ · Microsoft AI: MAI-Transcribe 2 利用できる入力と結果は何ですか？ `POST /v1/audio/transcriptions` · `microsoft/mai-transcribe-2`: `audio` → `text` リクエストはどの項目を使用しますか？ `POST /v1/audio/transcriptions` · `microsoft/mai-transcribe-2`: `model`, `input_audio`, `language`, `temperature`, `response_format`, `timestamp_granularities`, `provider` どの制限が適用されますか？ `POST /v1/audio/transcriptions` · `microsoft/mai-transcribe-2`: `temperature.minimum`: `0`; `temperature.maximum`: `1` AilootをClaude Code、OpenCode、Hermes、自分のアプリに接続しましょう。 ## 企業とそのプロジェクト群 企業とそのプロジェクト群：数百万の顧客、毎月数十億規模の売上。 ## トークンを割引価格で購入。 継続利用にサブスクリプション割引。プロモコードでトークン購入が最大50%割引。 サブスクリプション 定期的なリクエストに合う割引プランを選びましょう。 最大50%のプロモコード 購入時にコードを入力すると、実施中のキャンペーンに沿って価格を再計算します。 支出を履歴で確認 各リクエストのモデル、トークン、金額が保存されます。 [サブスクリプションを選ぶ](https://ailoot.ai/docs/ja/billing/subscriptions/) · [モデルの価格を見る](https://ailoot.ai/models/ja/) ## 販売する製品に、 APIを組み込みましょう。 SaaS、アプリ、ボットをAilootの公式サービス提供条件とライセンス契約に基づいて接続できます。再販にはリセラーライセンスを申請できます。 商用アプリ サービスの有料機能に、文章、画像、動画、音声の生成を組み込めます。 リセラーライセンス プロジェクトの説明とアクセスの仕組みをお送りください。利用・再販条件の書面を申請できます。 サイトで契約文書を確認 接続前にサービス提供条件、ライセンス契約、データ処理ポリシーを読めます。 [リセラーライセンスを申請](mailto:support@ailoot.ai) · [サービス提供条件とライセンス契約](https://ailoot.ai/legal/offer?lang=ja) ## Ailoot · 企業とそのプロジェクト群 Ailootは、蓄積した運営経験、幅広い顧客基盤、安定したサービス、継続的なKPI管理を基盤としています。 企業とそのプロジェクト群：数百万の顧客、毎月数十億規模の売上。 Ailootはこの運営経験を、お客様の製品、エージェント、アプリケーション、自動化でAI機能を利用するためのAPIアクセスに活かしています。