Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 жазылған сөйлеуді 60 тілде, тілді автоматты анықтаумен және тіл ауысуын қолдаумен мәтінге айналдырады. Ол сөйлеушілерді ажыратуды, сөз уақыттарын, кілт сөздерге бейімдеуді және кездесу жазбаларына, субтитрге, ізделетін аудиоға және арнайы диктантқа арналған тазартылған не сөзбе-сөз стильдерді қосады.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions microsoft/mai-transcribe-2

Модель туралы

Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.

Microsoft AI MAI-Transcribe 2 — Microsoft екінші буын транскрипция отбасының жазылған аудионы мәтінге айналдыратын басылымы. Ол сөйленген мазмұнды 60 тілде жазбаша мәтінге айналдырады, тілді автоматты анықтайды және сөйлеудегі тіл ауысуын қолдайды. Модель сөйлеушілерді ажыратуды, сөз деңгейіндегі уақыт белгілерін және таңдалатын транскрипция стильдерін қосады. Пайдалы артефакттарға сөйлеушілері белгіленген кездесу транскрипті, іздеуге болатын сұхбат жазбасы, субтитрді уақытпен сәйкестендіру деректері немесе арнайы терминдері бар тексерілген диктант кіреді.

Жазбаны айтылған материалды өзгертпей дайындаңыз. Өндіруші WAV, MP3 және FLAC кірістерін атайды. Күмәнді сөздерді, есімдерді және сандарды танылған мәтінмен салыстыру үшін бастапқы аудионы сақтаңыз. Жазбада фондық шу немесе микрофон сапасының өзгеруі болуы мүмкін, модель оларды өңдеуге арналған, бірақ тексеру бәрібір анық емес немесе қабаттасқан үзінділерге бағытталуы тиіс. Сұхбатта жауапты түсінуге көмектесетін контексті алып тастамай, репликалар мен кідірістер ретін сақтаңыз.

Тілді автоматты анықтау тіл алдын ала белгісіз болғанда пайдалы. Құжатталған 60 тіл жиынына ағылшын, орыс, қытай, жапон, корей, араб, француз, неміс, испан, индонезия, малай, тай және вьетнам тілдері кіреді. Тіл ауысуы тілдер арасындағы табиғи өзгерістерді, соның ішінде Hinglish немесе Spanglish сияқты аралас жұптарды қамтиды. Өндіруші интерфейсі бір тіл нұсқауын да қабылдайды және оны күшті нұсқау деп сипаттайды. Оны көптілді әңгімені бір күтілетін тілге мәжбүрлеу үшін емес, жазба шынымен көрсетілген тілде болғанда ғана қолданыңыз.

Кілт сөздерге бейімдеу дыбыстан ажырату қиын болуы мүмкін салалық терминдерді, қысқартуларды, өнім атауларын және жалқы есімдерді береді. Жазбаға қатысты нақты тізім дайындаңыз: мысалы, жоба атауы, өнім желісі немесе талқылаудағы техникалық сөздер. Қызмет нұсқаулығы бұларды мәжбүрлі сәйкестік емес, тану нұсқаулары деп сипаттайды. Техникалық дәрісте атаулы аспаптар мен арнайы терминдердің дәл жазылуын қосып, транскрипт оларды нақты айтылған орындарға қойғанын тексеріңіз. Берілген термин сөйлеушінің оны айтқанына дәлел емес.

Шығыс стилін көзделген артефактқа қарай таңдаңыз. Құжатталған әдепкі Verbatim стилі қыстырма сөздерді, аяқталмай қайта басталған тіркестерді және өзін-өзі түзетуді сақтайды. Clean оқуға ыңғайлы транскрипт үшін сөйлеу іркілістерін алып тастайды. Әңгіме қалай өрбігенін зерттеуге арналған жазба кідіріс пен түзетуді сақтай алады; оқылатын сабақ транскрипті тазартылған сөз қолданысын пайдалана алады. Екі нәтижемен де бастапқы аудионы бірге сақтаңыз. Тазарту сөйленген мәтіннің берілуін жақсартады және оны бөлек қысқаша мазмұн немесе сөйлеуші ойының жаңа түсіндірмесі деп қабылдамау керек.

Сөйлеушілерді ажырату репликаларды анықталған сөйлеуші бойынша бөледі, ал сөз деңгейіндегі уақыт белгілері әр сөздің ығысуы мен ұзақтығын береді. Қызмет интерфейсі сегмент уақытын немесе уақытсыз шығысты да ұсынады. Сегменттер тіл бойынша, ал ажырату қосылғанда сөйлеуші бойынша бөлінеді. Уақыт өрістері миллисекундты қолданып, навигацияны, іздеуді және өңдеуді қолдай алады. Белгілер анықталған сөйлеушілерді ажыратады; белгіні қатысушы есімімен сәйкестендіру — бөлек тексеру қадамы. Субтитр үшін тану нәтижесін дайын субтитр файлы деп санамай, тексерілген сөз уақыттарымен оқылатын титр топтарын дайындаңыз.

Модель карточкасы файлдың ең үлкен көлемін 300 MB және ұзақтығын екі сағат деп көрсетеді. Ал құжатталған 2025-10-15 интерфейсіне арналған сілтенген синхронды REST анықтамасы файл 250 MB-тан кіші және екі сағаттан қысқа болуын талап етеді. Бұлар — бөлек жарияланған модель карточкасы мен қызмет шектеулері; файлды қолданылатын қызмет шегінде дайындаңыз. MAI нұсқаулығы сөйлеушілерді ажырату онсыз транскрипцияға қарағанда қысқалау жазбаларды қолдайтынын да айтады. Сөйлеушіге телу қажет ұзын көпсөйлеушілі материалды мағыналы бөлімдерге ұйымдастырып, кейін тексеру үшін бөлімнің бастапқы жазбадағы орнын сақтаңыз.

Құжатталған шығыс — құрылымды транскрипция деректері: толық мәтін, тіркестер және сұралғанда сөйлеуші мен уақыт ақпараты. Тіркес өз мәтінін, тілін, ығысуын және ұзақтығын қамти алады; сөз уақыты танылған сөзді аудиомен байланыстыра алады. Іздеуге болатын архив үшін табылған термин жазбаға қайта жеткізуі мақсатында осы байланыстарды сақтаңыз. Кездесу үдерісінде тексерілген транскрипт кейінгі қысқаша мазмұндауға немесе әрекет тармақтарын шығарып алуға кіріс болады. Сөйлеу моделінің нәтижесі — кездесудің шешімдері туралы тәуелсіз тексерілген есеп емес, танылған мазмұн.

Нұсқа айырмашылығы нақты. MAI-Transcribe 1.5 43 тілді қамтиды, ал бұл басылым 60 тілді қамтып, құжатталған сөйлеуші ажыратуын, сөз уақыт белгілерін және clean/verbatim басқаруын қосады. MAI-Transcribe 2 Streaming — өз мүмкіндіктер жиыны бар біртіндеп нақты уақыт транскрипциясына арналған бөлек модель; оның алғашқы жартылай нәтиже кідірісі осы жазылған аудио басылымын сипаттамайды. Транскриптті субтитрлерге, дәйексөздерге немесе туынды құжатқа дереккөз ретінде қолданбас бұрын есімдер, сандар, сөйлеуші кезектері және аралас тілдегі үзінділер бойынша аудиомен салыстырып тексеріңіз.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions microsoft/mai-transcribe-2

microsoft/mai-transcribe-2

Microsoft AI /microsoft/mai-transcribe-2

Бастау

Қабылданатын кіріс деректері: Аудио
Нәтижелер: Мәтін

Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions

Кіріс: audio
Шығыс: text

Өріс	Түрі	Талап	Мәндер мен шектеулер	Әдепкі
Өріс`model`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер microsoft/mai-transcribe-2	Әдепкі—
Өріс`input_audio`	Түрі`object`	ТалапМіндетті	Мәндер мен шектеулер	Әдепкі—
Өріс`language`	Түрі`string`	ТалапМіндетті емес	Мәндер мен шектеулер	Әдепкі—
Өріс`temperature`	Түрі`number`	ТалапМіндетті емес	Мәндер мен шектеулер Ең азы: 0 Ең көбі: 1	Әдепкі—
Өріс`response_format`	Түрі`string`	ТалапМіндетті емес	Мәндер мен шектеулер json, verbose_json	Әдепкіjson
Өріс`timestamp_granularities`	Түрі`array`	ТалапМіндетті емес	Мәндер мен шектеулер	Әдепкі—
Өріс`provider`	Түрі`object`	ТалапМіндетті емес	Мәндер мен шектеулер	Әдепкі—

Әдіс параметрлері мен өмірлік циклі

Параметр	Параметр талаптары
Параметр`content_type`	Параметр талаптарыapplication/json
Параметр`required`	Параметр талаптарыmodel, input_audio
Параметр`material_types`	Параметр талаптарыaudio
Параметр`material_conditions`	Параметр талаптарыНақты WAV файлын оқып, оның шын байттарын мәлімделген JSON input_audio үшін кодтаңыз; тек JSON қабылдайтын осы нақты декларация үшін multipart маршруты ұсынылмайды.

Өмірлік цикл: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Нақты қайтарылған task_id немесе медиатека жазбасы

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Тарифтер

Қорытынды төлем қалай есептеледі

Көрсетілген тарифтер генерация басталғанға дейінгі құнын бағалауға арналған. Соңғы төлем бастапқы генерация үшін тіркелген құннан есептеледі. Нәтиженің өлшенген ұзақтығы мен болжамды көлемдер төлемге негіз болатын түпкілікті көлем болып саналмайды.

Тариф анықтамасы сұрау мүмкіндіктерін қоспайды. Қолдау көрсетілетін параметрлер таңдалған әдісте берілген.

Жылдам режим: Көрсетілмеген Жылдам режим таңдалғанда
Икемді режим: Көрсетілмеген flex режимі таңдалғанда
Ой қорытудың ең жоғары деңгейі: Көрсетілмеген Ой қорыту деңгейі ең жоғары болып, default түзетуі қолданылғанда

Салыстыруға арналған болжамды мөлшерлемелер

Баптаулар бойынша бағалар

Әр төлемді көрсетілген шарттармен салыстырыңыз. Балама баптаулардың әр жиыны үшін бір мөлшерлемені қолданыңыз.

Баптау	Мөлшерлемелер кестесі	Болжамды мөлшер	Есептеу бірлігі	Төлем
БаптауТокендердің базалық тарифтері	Мөлшерлемелер кестесіНегізгі мөлшерлеме	Болжамды мөлшер—	Есептеу бірлігі—	Төлем Кіріс · Кіріс токендері · Тек салыстыруға арналған бағалау — / 1K токен Шығыс · Шығыс токендері · Тек салыстыруға арналған бағалау — / 1K токен Кіріс · Кэшті оқу · Тек салыстыруға арналған бағалау — / 1K токен Кіріс · Кэшке жазу · Тек салыстыруға арналған бағалау — / 1K токен Кіріс · Кэшке жазу, 1 сағ · Тек салыстыруға арналған бағалау — / 1K токен
Баптаукіріс аудио сағаты	Мөлшерлемелер кестесі—	Болжамды мөлшер—	Есептеу бірлігікіріс аудионың сағаты үшін	Төлем Кіріс · кіріс аудио сағаты · Тек салыстыруға арналған бағалау $0.2 кіріс аудионың сағаты үшін
БаптауГенерацияның болжамды құны	Мөлшерлемелер кестесі—	Болжамды мөлшербір генерацияға арналған болжам	Есептеу бірлігі—	Төлем Шығыс · Генерацияның болжамды құны · Тек салыстыруға арналған бағалау $0.00005555555555555556 жасауға дейінгі бағалау Бұл бағалау қосымша төлем де, аяқталған генерация үшін белгіленген тұрақты тариф те емес.

Ailoot сұрау алдында болжамды соманы резервтейді. Нәтижеден кейін өлшенген пайдалану көлемі бойынша қорытынды төлемді шегереді. Ағындық жауап үшін төлем соңғы пайдалану жазбасы негізінде шегеріледі. Резервтеу мен төлемді есептеу тәртібі →

Сұрау мысалдары

Ailoot Ultra · Дыбысты мәтінге түсіру

curl · төл пішімдегі дәл сұрау денесі және толық нәтиже

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.

Нәтижелерді алу және сақтау

Ailoot Ultra · Дыбысты мәтінге түсіру

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Басқа мазмұнды оқу

Өзіңізге тиесілі қолда бар материалдарды оқу

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.

Барлық дайын нәтижені сақтау

Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.

Толық жауапты және тақырыптарды, алынған әрбір нәтижені, бастапқыда қайтарылған идентификаторларды және пайдалану туралы барлық өрістерді сақтаңыз. Жасау сұрауын қайта жібермей, бастапқы операцияны қалпына келтіріңіз.

Бастапқы жауапты тексеру қажет болса

Есептерді салыстырып тексеру үшін қайтарылған X-Client-Request-ID мәнін сақтаңыз. Тек нақты қайтарылған task_id/asset_id мәндері арқылы немесе өзіңізге тиесілі медиатекадан оқыңыз; операция ID мәнінен тапсырманың URL мекенжайын ешқашан құрастырмаңыз және жасау сұрауын ешқашан қайта жібермеңіз.

Жауап өрістері

Өріс	Түрі
Өріс`text`	Түрі
Өріс`usage`	Түрі
Өріс`segments[]`	Түрі
Өріс`words[]`	Түрі
Өріс`speaker fields`	Түрі
Өріс`timestamps`	Түрі

Балама атаулар

Модельдердің балама атаулары

Ailoot Ultra microsoft/mai-transcribe-2

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

microsoft/mai-transcribe-2

FAQ · Microsoft AI: MAI-Transcribe 2

Қандай кіріс деректері мен нәтижелер қолжетімді?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: audio → text
Сұрау қандай өрістерді пайдаланады?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Қандай шектеулер қолданылады?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: temperature.minimum: 0; temperature.maximum: 1

Microsoft AI: MAI-Transcribe 2