Microsoft AI: MAI-Transcribe 2
Microsoft AI MAI-Transcribe 2 įrašytą kalbą paverčia tekstu 60 kalbų, automatiškai nustato kalbą ir palaiko kalbų kaitą. Jis prideda kalbėtojų atskyrimą, žodžių laikus, raktažodžių užuominas ir sutvarkytą arba pažodinį stilių susitikimų įrašams, subtitrams, paieškai garse ir specializuotam diktavimui.
Apie modelį
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Microsoft AI MAI-Transcribe 2 – tai Microsoft antrosios kartos transkripcijos šeimos įrašyto garso vertimo tekstu leidimas. Jis sakytinį turinį paverčia rašytiniu tekstu 60 kalbų, automatiškai nustato kalbą ir palaiko kalbą, kurioje persijungiama tarp kalbų. Modelis prideda kalbėtojų atskyrimą, žodžių lygmens laikus ir pasirenkamus transkripcijos stilius. Naudingi rezultatai – susitikimo transkripcija su kalbėtojų priskyrimu, interviu įrašas su paieška, subtitrų sulygiavimo duomenys ar patikrintas diktantas su specializuotais terminais.
Įrašą parenkite išsaugodami visą sakytinę medžiagą. Gamintojas nurodo WAV, MP3 ir FLAC įvestį. Pradinį garsą išsaugokite neaiškiems žodžiams, vardams ir skaičiams palyginti su atpažintu tekstu. Įraše gali būti foninio triukšmo ar skirtingos mikrofono kokybės, su kuriais modelis sukurtas susidoroti, tačiau peržiūrą vis tiek reikėtų sutelkti į neaiškias ar persidengiančias ištraukas. Interviu atveju išsaugokite pasisakymų ir pauzių seką, užuot pašalinę atsakymui interpretuoti padedantį kontekstą.
Automatinis kalbos nustatymas naudingas, kai kalba iš anksto nežinoma. Dokumentuotas 60 kalbų rinkinys apima anglų, rusų, kinų, japonų, korėjiečių, arabų, prancūzų, vokiečių, ispanų, indoneziečių, malajų, tajų ir vietnamiečių kalbas. Kalbų kaita apima natūralius perėjimus tarp kalbų, įskaitant mišrias poras, tokias kaip Hinglish ar Spanglish. Gamintojo sąsaja taip pat priima vieną kalbos užuominą, kurią apibūdina kaip griežtą instrukciją. Naudokite ją tik tada, kai įrašas iš tikrųjų yra nurodyta kalba, užuot daugiakalbį pokalbį priverstinai sutalpinę į vieną numatytą kalbą.
Raktažodžių užuominos pateikia konkrečios srities terminus, santrumpas, produktų pavadinimus ir tikrinius vardus, kuriuos kitaip gali būti sunku atskirti iš garso. Parenkite su įrašu susijusį tikslingą sąrašą, pavyzdžiui, projekto pavadinimą, produktų liniją ar aptarime vartojamus techninius žodžius. Aptarnavimo vadovas juos apibūdina kaip atpažinimo užuominas, o ne privalomus atitikmenis. Techninei paskaitai įtraukite tikslią įvardytų instrumentų ir specializuotų terminų rašybą, tada patikrinkite, ar transkripcija juos pateikia ten, kur jie iš tikrųjų ištarti. Pateiktas terminas neįrodo, kad kalbėtojas jį pasakė.
Išvesties stilių rinkitės pagal numatytą rezultatą. Verbatim, dokumentuotas numatytasis stilius, išsaugo užpildomuosius žodelius, nutrūkusias pradžias ir savęs taisymus. Clean pašalina kalbos nesklandumus, kad transkripcija būtų skaitomesnė. Įrašas, skirtas nagrinėti pokalbio eigą, gali išsaugoti dvejones ir pataisas; skaitoma pamokos transkripcija gali naudoti sutvarkytą tekstą. Su bet kuriuo rezultatu išsaugokite pradinį garsą. Tvarkymas pagerina sakytinio teksto pateikimą ir neturėtų būti laikomas atskira santrauka ar nauja kalbėtojo minties interpretacija.
Kalbėtojų atskyrimas padalija pasisakymus pagal aptiktą kalbėtoją, o žodžių lygmens laiko žymos kiekvienam žodžiui suteikia poslinkį ir trukmę. Aptarnavimo sąsaja taip pat siūlo segmentų laiko žymas arba visai be jų. Segmentai atskiriami pagal kalbą ir, įjungus kalbėtojų atskyrimą, pagal kalbėtoją. Laiko laukai naudoja milisekundes ir gali palaikyti navigaciją, paiešką bei redagavimą. Žymos atskiria aptiktus kalbėtojus; žymos susiejimas su dalyvio vardu yra atskiras peržiūros žingsnis. Subtitrams patikrintus žodžių laikus naudokite skaitomoms įrašų grupėms parengti, užuot manę, kad atpažinimo rezultatas jau yra baigtas subtitrų failas.
Modelio kortelėje nurodytas didžiausias 300 MB failas ir dvi valandos. Susieta dokumentuotos 2025-10-15 sąsajos sinchroninė REST specifikacija vietoj to reikalauja mažesnio nei 250 MB failo ir trumpesnio nei dviejų valandų įrašo. Tai skirtingi paskelbti modelio kortelės ir aptarnavimo apribojimai; failą parenkite pagal taikomą aptarnavimo apimtį. MAI vadovas taip pat teigia, kad kalbėtojų atskyrimas palaiko trumpesnius įrašus nei transkripcija be atskyrimo. Kai reikia kalbėtojų priskyrimo, ilgą kelių kalbėtojų medžiagą suskirstykite į rišlius skyrius ir vėlesnei peržiūrai išsaugokite kiekvieno skyriaus vietą pradiniame įraše.
Dokumentuota išvestis – struktūrizuoti transkripcijos duomenys: visas tekstas, frazės ir, kai prašoma, kalbėtojų bei laiko informacija. Frazė gali turėti tekstą, kalbą, poslinkį ir trukmę; žodžio laikas gali susieti atpažintą žodį su garsu. Paiešką turinčiam archyvui išsaugokite šiuos ryšius, kad rastas terminas galėtų nuvesti atgal į įrašą. Susitikimo darbo eigoje patikrinta transkripcija tampa vėlesnio apibendrinimo ar veiksmų punktų išgavimo įvestimi. Kalbos modelio rezultatas – atpažintas turinys, o ne nepriklausomai patikrintas susitikimo sprendimų aprašas.
Versijų skirtumas konkretus. MAI-Transcribe 1.5 apima 43 kalbas, o šis leidimas – 60 ir prideda dokumentuotus kalbėtojų atskyrimo, žodžių laiko žymų bei clean/verbatim valdiklius. MAI-Transcribe 2 Streaming yra atskiras modelis palaipsnei transkripcijai realiuoju laiku su savo funkcijų rinkiniu; jo pirmosios dalinės išvesties delsa neaprašo šio įrašyto garso leidimo. Prieš naudodami transkripciją subtitrų, citatų ar išvestinio dokumento šaltiniu, vardus, skaičius, kalbėtojų pasisakymus ir mišrių kalbų ištraukas patikrinkite pagal garsą.
Ailoot Ultra · Transkribavimas POST /v1/audio/transcriptions microsoft/mai-transcribe-2
microsoft/mai-transcribe-2Pradžia
Microsoft AI MAI-Transcribe 2 įrašytą kalbą paverčia tekstu 60 kalbų, automatiškai nustato kalbą ir palaiko kalbų kaitą. Jis prideda kalbėtojų atskyrimą, žodžių laikus, raktažodžių užuominas ir sutvarkytą arba pažodinį stilių susitikimų įrašams, subtitrams, paieškai garse ir specializuotam diktavimui.
- Leidžiamos įvestys
- Garsas
- Rezultatai
- Tekstas
Prieinama Ailoot · įvestys ir metodai
Ailoot Ultra · Transkribavimas POST /v1/audio/transcriptions
- Įvestis
audio- Išvestis
text
| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos microsoft/mai-transcribe-2 | Numatyta— |
Laukasinput_audio | Tipasobject | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukaslanguage | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastemperature | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 0 Didžiausia reikšmė: 1 | Numatyta— |
Laukasresponse_format | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos json, verbose_json | Numatytajson |
Laukastimestamp_granularities | Tipasarray | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasprovider | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Metodo parametrai ir gyvavimo ciklas
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, input_audio |
Parametrasmaterial_types | Specifikacijaaudio |
Parametrasmaterial_conditions | SpecifikacijaNuskaitykite tikrą WAV failą ir užkoduokite tikruosius jo baitus deklaruotai JSON input_audio įvesčiai; šiai tiksliai vien JSON skirtai deklaracijai multipart maršrutas nesiūlomas. |
Gyvavimo ciklas: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktiškai grąžinta task_id reikšmė arba medijos bibliotekos įrašas
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Planai
Kaip apskaičiuojamas galutinis mokestis
Rodomi įkainiai leidžia įvertinti kainą prieš generavimą. Galutinė suma apskaičiuojama pagal užfiksuotą pradinio generavimo kainą. Išmatuota rezultato trukmė ir prognozuoti kiekiai nėra galutinis apmokestinamas kiekis.
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
- Spartusis režimas
- Nenurodyta Pasirinkus spartųjį režimą
- Flex režimas
- Nenurodyta Pasirinkus flex režimą
- Didžiausios samprotavimo pastangos
- Nenurodyta Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default)
Numatomi įkainiai palyginimui
Kainos pagal konfigūraciją
Kiekvieną mokestį susiekite su nurodytomis sąlygomis. Kiekvienam alternatyvių konfigūracijų rinkiniui taikykite vieną įkainį.
| Konfigūracija | Įkainių lentelė | Numatomas kiekis | Apskaitos vienetas | Mokestis |
|---|---|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Numatomas kiekis— | Apskaitos vienetas— | Mokestis Įvestis · Įvesties tokenai · Įvertis tik palyginimui — / 1K tokenų Išvestis · Išvesties tokenai · Įvertis tik palyginimui — / 1K tokenų Įvestis · Talpyklos skaitymas · Įvertis tik palyginimui — / 1K tokenų Įvestis · Rašymas į talpyklą · Įvertis tik palyginimui — / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val · Įvertis tik palyginimui — / 1K tokenų |
| Konfigūracijaįvesties garso valanda | Įkainių lentelė— | Numatomas kiekis— | Apskaitos vienetasuž įvesties garso valandą | Mokestis Įvestis · įvesties garso valanda · Įvertis tik palyginimui $0.2 už įvesties garso valandą |
| KonfigūracijaNumatoma generavimo kaina | Įkainių lentelė— | Numatomas kiekisvieno generavimo įvertis | Apskaitos vienetas— | Mokestis Išvestis · Numatoma generavimo kaina · Įvertis tik palyginimui $0.00005555555555555556 įvertis prieš generavimą Šis įvertis nėra papildomas mokestis ar fiksuotas užbaigto generavimo įkainis. |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
Užklausų pavyzdžiai
Ailoot Ultra · Transkribavimas
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Gauti ir išsaugoti rezultatus
Ailoot Ultra · Transkribavimas
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Kito turinio skaitymas
set -eu
: "${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.
Išsaugoti visus baigtus rezultatus
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visą atsakymą ir antraštes, visus faktiškai gautus rezultatus, pradinius grąžintus identifikatorius ir visus naudojimo apskaitos laukus. Atkurkite prieigą prie pradinės operacijos pakartotinai neteikdami kūrimo užklausos.
Jei reikia patikrinti pradinį atsakymą
Išsaugokite grąžintą X-Client-Request-ID duomenims sutikrinti. Tikrinkite tik faktiškai grąžintas task_id/asset_id reikšmes arba jums priklausančią medijos biblioteką; niekada nekurkite užduoties URL iš operacijos ID ir niekada pakartotinai neteikite kūrimo užklausos.
Atsakymo laukai
| Laukas | Tipas |
|---|---|
Laukastext | Tipas |
Laukasusage | Tipas |
Laukassegments[] | Tipas |
Laukaswords[] | Tipas |
Laukasspeaker fields | Tipas |
Laukastimestamps | Tipas |
Pseudonimai
Modelių pseudonimai
Ailoot Ultra microsoft/mai-transcribe-2
Metodų kelių pseudonimai
Naudokite aukščiau nurodytus metodų kelius.
Susiję ID iškvietimui
FAQ · Microsoft AI: MAI-Transcribe 2
- Kokios įvestys ir rezultatai prieinami?
POST /v1/audio/transcriptions·microsoft/mai-transcribe-2:audio→text- Kokius laukus naudoja užklausa?
POST /v1/audio/transcriptions·microsoft/mai-transcribe-2:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Kokie apribojimai taikomi?
POST /v1/audio/transcriptions·microsoft/mai-transcribe-2:temperature.minimum:0;temperature.maximum:1