{ "aboutHtml": "

Microsoft AI MAI-Transcribe 1.5 er en tale-til-tekst-modell for å gjøre innspilt lyd om til skriftlig innhold. Det konkrete modellkortet beskriver gjenkjenning på 43 språk, automatisk språkidentifikasjon og robusthet på tvers av aksenter, dialekter, talemåter og støyende forhold. Utgaven utvider settet på 25 språk fra MAI-Transcribe 1 med atten språk. Et nyttig resultat er skriftlig tale fra en forelesning, et intervju, en samtale eller et talenotat, klar til kontroll mot opptaket før et senere redigerings- eller analysetrinn.

Forbered et fullstendig, forståelig opptak i ett av produsentens oppgitte formater: WAV, MP3 eller FLAC. Behold originalfilen og eventuell seksjonsinndeling slik at transkripsjonen kan sammenlignes med lyden. Ved en forelesning beholder du frasene rundt et faguttrykk fremfor bare å trekke ut det vanskelige ordet. Ved et talenotat bevarer du en rettelse som endrer et navn, tidspunkt eller tall. Talen rundt gir kontekst for å gjenkjenne hva som ble sagt, og lytterens gjennomgang kan identifisere hvor utdataene trenger retting.

Automatisk språkidentifikasjon lar et opptak behandles uten at et språk må velges på forhånd. Settet på 43 språk omfatter engelsk, fransk, tysk, italiensk, spansk, hindi, kinesisk, japansk, koreansk, arabisk, indonesisk, russisk, thai og vietnamesisk. De tilførte språkene omfatter bulgarsk, katalansk, gresk, ukrainsk og flere sørasiatiske språk. Kontroller at ønsket språk tilhører denne utgavens sett fremfor å låne den bredere dekningen fra MAI-Transcribe 2. Ved flerspråklige samlinger bevarer du opptakets språk sammen med den kontrollerte teksten, slik at etterfølgende redigering følger det faktiske taleinnholdet.

Modellkortet for 1.5 beskriver nøkkelords- eller entitetshjelp med opptil 200 begreper, og utgivelsen forklarer formålet: å gjøre sannsynlige navn, akronymer og fagord tilgjengelige som kontekst. Produsenten beskriver kontekstuelle hint fremfor å tvinge oppgitte ord blindt inn i resultatet. Forbered et relevant ordforråd, for eksempel prosjektnavnet, et teknisk instrument eller korrekt skrivemåte for en person som diskuteres i opptaket. Bruk terminologien som kontekst for det faktiske opptaket, og kontroller de gjenkjente begrepene mot talen.

Ved en innspilt ingeniørfaglig leksjon forbereder du navnene på instrumentene som diskuteres, og nøyaktig skrivemåte for eventuelle prosjektakronymer. Skriv de nøyaktige stavemåtene i en målrettet terminologiliste og behold listen sammen med lyd og transkripsjon. Kontroller forekomstene mot talepassasjene fremfor å behandle en ordlisteoppføring som bevis på et treff. Navn som høres like ut, kan fortsatt trenge kontroll. Resultatet bør bevare ordene som faktisk ble sagt, inkludert en rettelse eller presisering som endrer betydningen.

Produsenten vektlegger ytelse på lyd fra virkelige situasjoner, inkludert bakgrunnsstøy og ulike mikrofonforhold. Praktisk gjennomgang kan rette seg mot passasjer med samtidig tale, svake stemmer eller ord delvis dekket av en annen lyd. Hold usikkerheter knyttet til den tilsvarende lydpassasjen fremfor å fylle dem med antakelser om temaet. En plausibel setning kan fortsatt inneholde feil egennavn eller tall. Ved en samtaletranskripsjon er den nyttige leveransen en kontrollert gjengivelse av taleinnholdet som en senere analyse kan bruke, fremfor en gjettet fremstilling av innringerens hensikt.

Det konkrete modellkortet for 1.5 oppgir en maksimal filstørrelse på 300 MB og to timer. Den tilknyttede synkrone REST-referansen for transkripsjon beskriver strengere driftsinndata: mindre enn 250 MB og kortere enn to timer. Dette er separat angitte grenser i modellkort og grensesnitt. Forbered filer innenfor rammen til det tiltenkte grensesnittet og organiser lengre materiale ved meningsfulle grenser i opptaket. Filstørrelsesgrensen gjelder den kodede lyden, mens varighetsgrensen gjelder taleopptakets lengde; ingen av dem definerer et tekstmodellkontekstvindu.

Modellkortets eksempelutdata er JSON som inneholder opptakets varighet og samlet gjenkjent tekst. Teksten kan bli en tilgjengelig transkripsjon, et manus for undertekster eller inndata for senere oppsummering og søk. Gruppering av undertekstblokker og tidsjustering mot opptaket er separat forberedelse når resultatet ikke inneholder nødvendige tidsdata. Ved intervjuarkiver krever tilordning av en replikk til en navngitt deltaker en separat kontrollert oversikt over hvem som snakket. Bevar den gjenkjente ordlyden og lyden som grunnlag for disse senere leveransene.

Utgavens grenser er viktige når utdataene planlegges. Modellkortet for 1.5 plasserer uttrykkelig talerdiarisering utenfor de støttede egenskapene, og produsentens versjonssammenligning tilordner tidsstempler på ordnivå og stilinnstillinger for Clean/Verbatim til MAI-Transcribe 2. En innebygd strømmemodell er også en separat utgave. Denne 1.5-varianten retter seg derfor mot gjenkjent tekst fra opptak og dokumentert domenekontekst, uten å gjøre en annen utgaves taler-, tids- eller sanntidsfunksjoner til del av resultatet. Kontroller navn, tall, faguttrykk og uklar tale før du lager et sitert utdrag, et undertekstspor eller et avledet dokument.

", "aboutText": "Microsoft AI MAI-Transcribe 1.5 er en tale-til-tekst-modell for å gjøre innspilt lyd om til skriftlig innhold. Det konkrete modellkortet beskriver gjenkjenning på 43 språk, automatisk språkidentifikasjon og robusthet på tvers av aksenter, dialekter, talemåter og støyende forhold. Utgaven utvider settet på 25 språk fra MAI-Transcribe 1 med atten språk. Et nyttig resultat er skriftlig tale fra en forelesning, et intervju, en samtale eller et talenotat, klar til kontroll mot opptaket før et senere redigerings- eller analysetrinn.\n\nForbered et fullstendig, forståelig opptak i ett av produsentens oppgitte formater: WAV, MP3 eller FLAC. Behold originalfilen og eventuell seksjonsinndeling slik at transkripsjonen kan sammenlignes med lyden. Ved en forelesning beholder du frasene rundt et faguttrykk fremfor bare å trekke ut det vanskelige ordet. Ved et talenotat bevarer du en rettelse som endrer et navn, tidspunkt eller tall. Talen rundt gir kontekst for å gjenkjenne hva som ble sagt, og lytterens gjennomgang kan identifisere hvor utdataene trenger retting.\n\nAutomatisk språkidentifikasjon lar et opptak behandles uten at et språk må velges på forhånd. Settet på 43 språk omfatter engelsk, fransk, tysk, italiensk, spansk, hindi, kinesisk, japansk, koreansk, arabisk, indonesisk, russisk, thai og vietnamesisk. De tilførte språkene omfatter bulgarsk, katalansk, gresk, ukrainsk og flere sørasiatiske språk. Kontroller at ønsket språk tilhører denne utgavens sett fremfor å låne den bredere dekningen fra MAI-Transcribe 2. Ved flerspråklige samlinger bevarer du opptakets språk sammen med den kontrollerte teksten, slik at etterfølgende redigering følger det faktiske taleinnholdet.\n\nModellkortet for 1.5 beskriver nøkkelords- eller entitetshjelp med opptil 200 begreper, og utgivelsen forklarer formålet: å gjøre sannsynlige navn, akronymer og fagord tilgjengelige som kontekst. Produsenten beskriver kontekstuelle hint fremfor å tvinge oppgitte ord blindt inn i resultatet. Forbered et relevant ordforråd, for eksempel prosjektnavnet, et teknisk instrument eller korrekt skrivemåte for en person som diskuteres i opptaket. Bruk terminologien som kontekst for det faktiske opptaket, og kontroller de gjenkjente begrepene mot talen.\n\nVed en innspilt ingeniørfaglig leksjon forbereder du navnene på instrumentene som diskuteres, og nøyaktig skrivemåte for eventuelle prosjektakronymer. Skriv de nøyaktige stavemåtene i en målrettet terminologiliste og behold listen sammen med lyd og transkripsjon. Kontroller forekomstene mot talepassasjene fremfor å behandle en ordlisteoppføring som bevis på et treff. Navn som høres like ut, kan fortsatt trenge kontroll. Resultatet bør bevare ordene som faktisk ble sagt, inkludert en rettelse eller presisering som endrer betydningen.\n\nProdusenten vektlegger ytelse på lyd fra virkelige situasjoner, inkludert bakgrunnsstøy og ulike mikrofonforhold. Praktisk gjennomgang kan rette seg mot passasjer med samtidig tale, svake stemmer eller ord delvis dekket av en annen lyd. Hold usikkerheter knyttet til den tilsvarende lydpassasjen fremfor å fylle dem med antakelser om temaet. En plausibel setning kan fortsatt inneholde feil egennavn eller tall. Ved en samtaletranskripsjon er den nyttige leveransen en kontrollert gjengivelse av taleinnholdet som en senere analyse kan bruke, fremfor en gjettet fremstilling av innringerens hensikt.\n\nDet konkrete modellkortet for 1.5 oppgir en maksimal filstørrelse på 300 MB og to timer. Den tilknyttede synkrone REST-referansen for transkripsjon beskriver strengere driftsinndata: mindre enn 250 MB og kortere enn to timer. Dette er separat angitte grenser i modellkort og grensesnitt. Forbered filer innenfor rammen til det tiltenkte grensesnittet og organiser lengre materiale ved meningsfulle grenser i opptaket. Filstørrelsesgrensen gjelder den kodede lyden, mens varighetsgrensen gjelder taleopptakets lengde; ingen av dem definerer et tekstmodellkontekstvindu.\n\nModellkortets eksempelutdata er JSON som inneholder opptakets varighet og samlet gjenkjent tekst. Teksten kan bli en tilgjengelig transkripsjon, et manus for undertekster eller inndata for senere oppsummering og søk. Gruppering av undertekstblokker og tidsjustering mot opptaket er separat forberedelse når resultatet ikke inneholder nødvendige tidsdata. Ved intervjuarkiver krever tilordning av en replikk til en navngitt deltaker en separat kontrollert oversikt over hvem som snakket. Bevar den gjenkjente ordlyden og lyden som grunnlag for disse senere leveransene.\n\nUtgavens grenser er viktige når utdataene planlegges. Modellkortet for 1.5 plasserer uttrykkelig talerdiarisering utenfor de støttede egenskapene, og produsentens versjonssammenligning tilordner tidsstempler på ordnivå og stilinnstillinger for Clean/Verbatim til MAI-Transcribe 2. En innebygd strømmemodell er også en separat utgave. Denne 1.5-varianten retter seg derfor mot gjenkjent tekst fra opptak og dokumentert domenekontekst, uten å gjøre en annen utgaves taler-, tids- eller sanntidsfunksjoner til del av resultatet. Kontroller navn, tall, faguttrykk og uklar tale før du lager et sitert utdrag, et undertekstspor eller et avledet dokument.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "eb4bb0b09386c1e933447cf55d433bb0100276c8bea87a6319cbf7dc81414299", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "
•

Microsoft AI: MAI-Transcribe 1.5

Microsoft AI /microsoft/mai-transcribe-1.5

Start

Microsoft AI MAI-Transcribe 1.5 gjør innspilt tale om til tekst på 43 språk, med automatisk språkidentifikasjon og vekt på aksenter og støyende lyd. Modellkortet beskriver domenebevisst nøkkelordshjelp for navn og faguttrykk. Bruk transkripsjonen som grunnlag for kontrollerte notater eller undertekster.

Godkjente inndata
Lyd
Resultater
Tekst
Om modellen

Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.

Microsoft AI MAI-Transcribe 1.5 er en tale-til-tekst-modell for å gjøre innspilt lyd om til skriftlig innhold. Det konkrete modellkortet beskriver gjenkjenning på 43 språk, automatisk språkidentifikasjon og robusthet på tvers av aksenter, dialekter, talemåter og støyende forhold. Utgaven utvider settet på 25 språk fra MAI-Transcribe 1 med atten språk. Et nyttig resultat er skriftlig tale fra en forelesning, et intervju, en samtale eller et talenotat, klar til kontroll mot opptaket før et senere redigerings- eller analysetrinn.

Forbered et fullstendig, forståelig opptak i ett av produsentens oppgitte formater: WAV, MP3 eller FLAC. Behold originalfilen og eventuell seksjonsinndeling slik at transkripsjonen kan sammenlignes med lyden. Ved en forelesning beholder du frasene rundt et faguttrykk fremfor bare å trekke ut det vanskelige ordet. Ved et talenotat bevarer du en rettelse som endrer et navn, tidspunkt eller tall. Talen rundt gir kontekst for å gjenkjenne hva som ble sagt, og lytterens gjennomgang kan identifisere hvor utdataene trenger retting.

Automatisk språkidentifikasjon lar et opptak behandles uten at et språk må velges på forhånd. Settet på 43 språk omfatter engelsk, fransk, tysk, italiensk, spansk, hindi, kinesisk, japansk, koreansk, arabisk, indonesisk, russisk, thai og vietnamesisk. De tilførte språkene omfatter bulgarsk, katalansk, gresk, ukrainsk og flere sørasiatiske språk. Kontroller at ønsket språk tilhører denne utgavens sett fremfor å låne den bredere dekningen fra MAI-Transcribe 2. Ved flerspråklige samlinger bevarer du opptakets språk sammen med den kontrollerte teksten, slik at etterfølgende redigering følger det faktiske taleinnholdet.

Modellkortet for 1.5 beskriver nøkkelords- eller entitetshjelp med opptil 200 begreper, og utgivelsen forklarer formålet: å gjøre sannsynlige navn, akronymer og fagord tilgjengelige som kontekst. Produsenten beskriver kontekstuelle hint fremfor å tvinge oppgitte ord blindt inn i resultatet. Forbered et relevant ordforråd, for eksempel prosjektnavnet, et teknisk instrument eller korrekt skrivemåte for en person som diskuteres i opptaket. Bruk terminologien som kontekst for det faktiske opptaket, og kontroller de gjenkjente begrepene mot talen.

Ved en innspilt ingeniørfaglig leksjon forbereder du navnene på instrumentene som diskuteres, og nøyaktig skrivemåte for eventuelle prosjektakronymer. Skriv de nøyaktige stavemåtene i en målrettet terminologiliste og behold listen sammen med lyd og transkripsjon. Kontroller forekomstene mot talepassasjene fremfor å behandle en ordlisteoppføring som bevis på et treff. Navn som høres like ut, kan fortsatt trenge kontroll. Resultatet bør bevare ordene som faktisk ble sagt, inkludert en rettelse eller presisering som endrer betydningen.

Produsenten vektlegger ytelse på lyd fra virkelige situasjoner, inkludert bakgrunnsstøy og ulike mikrofonforhold. Praktisk gjennomgang kan rette seg mot passasjer med samtidig tale, svake stemmer eller ord delvis dekket av en annen lyd. Hold usikkerheter knyttet til den tilsvarende lydpassasjen fremfor å fylle dem med antakelser om temaet. En plausibel setning kan fortsatt inneholde feil egennavn eller tall. Ved en samtaletranskripsjon er den nyttige leveransen en kontrollert gjengivelse av taleinnholdet som en senere analyse kan bruke, fremfor en gjettet fremstilling av innringerens hensikt.

Det konkrete modellkortet for 1.5 oppgir en maksimal filstørrelse på 300 MB og to timer. Den tilknyttede synkrone REST-referansen for transkripsjon beskriver strengere driftsinndata: mindre enn 250 MB og kortere enn to timer. Dette er separat angitte grenser i modellkort og grensesnitt. Forbered filer innenfor rammen til det tiltenkte grensesnittet og organiser lengre materiale ved meningsfulle grenser i opptaket. Filstørrelsesgrensen gjelder den kodede lyden, mens varighetsgrensen gjelder taleopptakets lengde; ingen av dem definerer et tekstmodellkontekstvindu.

Modellkortets eksempelutdata er JSON som inneholder opptakets varighet og samlet gjenkjent tekst. Teksten kan bli en tilgjengelig transkripsjon, et manus for undertekster eller inndata for senere oppsummering og søk. Gruppering av undertekstblokker og tidsjustering mot opptaket er separat forberedelse når resultatet ikke inneholder nødvendige tidsdata. Ved intervjuarkiver krever tilordning av en replikk til en navngitt deltaker en separat kontrollert oversikt over hvem som snakket. Bevar den gjenkjente ordlyden og lyden som grunnlag for disse senere leveransene.

Utgavens grenser er viktige når utdataene planlegges. Modellkortet for 1.5 plasserer uttrykkelig talerdiarisering utenfor de støttede egenskapene, og produsentens versjonssammenligning tilordner tidsstempler på ordnivå og stilinnstillinger for Clean/Verbatim til MAI-Transcribe 2. En innebygd strømmemodell er også en separat utgave. Denne 1.5-varianten retter seg derfor mot gjenkjent tekst fra opptak og dokumentert domenekontekst, uten å gjøre en annen utgaves taler-, tids- eller sanntidsfunksjoner til del av resultatet. Kontroller navn, tall, faguttrykk og uklar tale før du lager et sitert utdrag, et undertekstspor eller et avledet dokument.

Tilgjengelig i Ailoot · inndata & metoder

Ailoot Ultra · Transkripsjon POST /v1/audio/transcriptions
Inndatatyper
audio
Utdatatyper
text
FeltTypeKravVerdier & grenserStandard
FeltmodelTypestringKravPåkrevdVerdier & grenser
microsoft/mai-transcribe-1.5
Standard—
Feltinput_audioTypeobjectKravPåkrevdVerdier & grenserStandard—
FeltlanguageTypestringKravValgfrittVerdier & grenserStandard—
FelttemperatureTypenumberKravValgfrittVerdier & grenser
Minimum: 0
Maksimum: 1
Standard—
Feltresponse_formatTypestringKravValgfrittVerdier & grenser
json, verbose_json
Standardjson
Felttimestamp_granularitiesTypearrayKravValgfrittVerdier & grenserStandard—
FeltproviderTypeobjectKravValgfrittVerdier & grenserStandard—
Metodeparametere og livssyklus
ParameterAvtale
Parametercontent_typeAvtaleapplication/json
ParameterrequiredAvtalemodel, input_audio
Parametermaterial_typesAvtaleaudio
Parametermaterial_conditionsAvtaleLes en faktisk WAV-fil og kod de virkelige bytene for det deklarerte JSON-feltet input_audio; ingen multipart-rute tilbys for denne eksakte deklarasjonen som bare bruker JSON.

Livssyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · faktisk returnert task_id eller oppføring i mediebiblioteket

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Priser

Slik beregnes det endelige beløpet

De viste satsene anslår kostnaden før generering. Det endelige beløpet beregnes ut fra kostnaden som er registrert for den opprinnelige genereringen. Målt varighet på utdataene og anslåtte mengder er ikke den endelige fakturerbare mengden.

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus
Ikke angitt Når hurtigmodus er valgt
Flex-modus
Ikke angitt Når flex-modus er valgt
Maksimal resonneringsinnsats
Ikke angitt Når justeringen «default» brukes for maksimal resonneringsinnsats

Estimerte satser for sammenligning

Priser etter konfigurasjon

Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.

KonfigurasjonPrisplanForventet mengdeFaktureringsenhetKostnad
KonfigurasjonGrunnpriser for tokenerPrisplanGrunnsatsForventet mengde—Faktureringsenhet—Kostnad
Inndata · Inngående tokener · Estimat kun for sammenligning — / 1K tokener
Utdata · Utgående tokener · Estimat kun for sammenligning — / 1K tokener
Inndata · Lesing fra hurtigbuffer · Estimat kun for sammenligning — / 1K tokener
Inndata · Skriving til hurtigbuffer · Estimat kun for sammenligning — / 1K tokener
Inndata · Skriving til hurtigbuffer, 1 time · Estimat kun for sammenligning — / 1K tokener
Konfigurasjonlydtime i inndataPrisplan—Forventet mengde—Faktureringsenhetper time inndatalydKostnad
Inndata · lydtime i inndata · Estimat kun for sammenligning $0.72 per time inndatalyd
KonfigurasjonAnslått genereringskostnadPrisplan—Forventet mengdeestimat for én genereringFaktureringsenhet—Kostnad
Utdata · Anslått genereringskostnad · Estimat kun for sammenligning $0.0002 estimat før generering

Dette anslaget er verken en tilleggsavgift eller en fast sats for den fullførte genereringen.

Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →

Eksempelforespørsler

Ailoot Ultra · Transkripsjon

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-1.5', '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.\n

Motta og lagre resultater

Ailoot Ultra · Transkripsjon

Andre innholdslesinger
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.\n
Behold alle ferdige resultater

Behold alle fullstendige returnerte svar, filer og innholdsdeler.

Bevar hele svaret og svarhodene, alle faktiske utdata, de opprinnelige returnerte identifikatorene og alle bruksfeltene. Hent den opprinnelige operasjonen igjen uten å sende opprettelsesforespørselen på nytt.

Hvis det opprinnelige svaret må kontrolleres

Bevar returnert X-Client-Request-ID for avstemming. Les bare faktisk returnerte task_id/asset_id-verdier eller egne oppføringer i mediebiblioteket; bygg aldri en oppgave-URL fra operasjons-ID-en, og send aldri opprettelsesforespørselen på nytt.

Svarfelter
FeltType
FelttextType
FeltusageType
Feltsegments[]Type
Feltwords[]Type
Feltspeaker fieldsType
FelttimestampsType

Aliaser

Modellaliaser

Ailoot Ultra microsoft/mai-transcribe-1.5

Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

Tilknyttede anroper-ID-er

microsoft/mai-transcribe-1.5

", "method_identity": { "effective_request_model_id": "microsoft/mai-transcribe-1.5", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "microsoft/mai-transcribe-1.5", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|microsoft%2Fmai-transcribe-1.5", "ordinal": 0, "rawMethod": { "available": null, "billing_basis": { "basis": "original_invoice_usd", "description": "De viste satsene anslår kostnaden før generering. Det endelige beløpet beregnes ut fra kostnaden som er registrert for den opprinnelige genereringen. Målt varighet på utdataene og anslåtte mengder er ikke den endelige fakturerbare mengden.", "forecast_quantity_is_estimate": true, "physical_output_is_billable_quantity": false, "version": "original_invoice_usd_v1" }, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Bevar returnert X-Client-Request-ID for avstemming. Les bare faktisk returnerte task_id/asset_id-verdier eller egne oppføringer i mediebiblioteket; bygg aldri en oppgave-URL fra operasjons-ID-en, og send aldri opprettelsesforespørselen på nytt." }, "outputs": { "all_results": "Bevar hele svaret og svarhodene, alle faktiske utdata, de opprinnelige returnerte identifikatorene og alle bruksfeltene. Hent den opprinnelige operasjonen igjen uten å sende opprettelsesforespørselen på nytt.", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] }, "parameters": [ { "enum": [ "microsoft/mai-transcribe-1.5" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "name": "input_audio", "required": true, "type": "object" }, { "name": "language", "required": false, "type": "string" }, { "maximum": 1, "minimum": 0, "name": "temperature", "required": false, "type": "number" }, { "default": "json", "default_known": true, "enum": [ "json", "verbose_json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "items": { "enum": [ "segment", "word" ], "type": "string" }, "name": "timestamp_granularities", "required": false, "type": "array" }, { "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "enum": [ "wav", "mp3", "flac", "m4a", "ogg", "webm", "aac" ], "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "language": { "description": "ISO-639-1 code; omitted means auto-detection", "type": "string" }, "model": { "enum": [ "microsoft/mai-transcribe-1.5" ], "type": "string" }, "provider": { "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "json", "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "type": "string" }, "temperature": { "maximum": 1, "minimum": 0, "type": "number" }, "timestamp_granularities": { "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "type": "array" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "microsoft/mai-transcribe-1.5" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_conditions": [ "Les en faktisk WAV-fil og kod de virkelige bytene for det deklarerte JSON-feltet input_audio; ingen multipart-rute tilbys for denne eksakte deklarasjonen som bare bruker JSON." ], "material_types": [ "audio" ], "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "faktisk returnert task_id eller oppføring i mediebiblioteket", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Keep the returned X-Client-Request-ID for reconciliation. Read only actual returned task_id/asset_id values or the owned media library; never build a task URL from the operation ID and never resubmit creation." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio hour" }, "label": "input audio hour", "units": [ { "amount": "0.72", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.72", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" } ] }, { "basis": "Dette anslaget er verken en tilleggsavgift eller en fast sats for den fullførte genereringen.", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "Anslått genereringskostnad", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'microsoft/mai-transcribe-1.5', 'input_audio': {'data': '${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 $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n", "label": "curl · exact native body and complete result", "language": "bash" }, { "code": "set -eu\n: \"${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.\n", "label": "Read existing owned assets", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use the exact caller model ID and documented input representation.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Transkripsjon", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_transcriptions", "out": null, "output": [ "text" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "original_invoice_usd", "image_input_price": null, "image_output_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio hour" }, "label": "input audio hour", "units": [ { "amount": "0.72", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.72", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" } ] }, { "basis": "This estimate is not an additional charge or a fixed rate for the completed generation.", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "Estimated generation cost", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "request_model_id": "microsoft/mai-transcribe-1.5", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.72", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.72", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } } ], "model_id": "microsoft/mai-transcribe-1.5", "nativeProvenance": { "input_facts_canonical_sha256": "c8c953dd69ed0f3a217df733e7ff33349f2ec23d8f120154c60b75b38ea3b589", "input_html_sha256": "d006818f34f2a5dda9f57a2805db9abefc55f29940176102883dab785c82d99d", "private_audit_sha256": "2299b757f9fbb14fe5b12f62bd2f82b4840f420b036e1626e9650181e259a828", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/nb/microsoft-mai-transcribe-1-5/", "description": "Microsoft AI MAI-Transcribe 1.5 gjør innspilt tale om til tekst på 43 språk, med automatisk språkidentifikasjon og vekt på aksenter og støyende lyd. Modellkortet beskriver domenebevisst nøkkelordshjelp for navn og faguttrykk. Bruk transkripsjonen som grunnlag for kontrollerte notater eller undertekster.", "locale": "nb", "md_url": "https://ailoot.ai/models/nb/microsoft-mai-transcribe-1-5/index.md", "title": "Microsoft AI: MAI-Transcribe 1.5 — Ailoot", "url": "https://ailoot.ai/models/nb/microsoft-mai-transcribe-1-5/" }, "rawModel": { "about": "Microsoft AI MAI-Transcribe 1.5 er en tale-til-tekst-modell for å gjøre innspilt lyd om til skriftlig innhold. Det konkrete modellkortet beskriver gjenkjenning på 43 språk, automatisk språkidentifikasjon og robusthet på tvers av aksenter, dialekter, talemåter og støyende forhold. Utgaven utvider settet på 25 språk fra MAI-Transcribe 1 med atten språk. Et nyttig resultat er skriftlig tale fra en forelesning, et intervju, en samtale eller et talenotat, klar til kontroll mot opptaket før et senere redigerings- eller analysetrinn.\n\nForbered et fullstendig, forståelig opptak i ett av produsentens oppgitte formater: WAV, MP3 eller FLAC. Behold originalfilen og eventuell seksjonsinndeling slik at transkripsjonen kan sammenlignes med lyden. Ved en forelesning beholder du frasene rundt et faguttrykk fremfor bare å trekke ut det vanskelige ordet. Ved et talenotat bevarer du en rettelse som endrer et navn, tidspunkt eller tall. Talen rundt gir kontekst for å gjenkjenne hva som ble sagt, og lytterens gjennomgang kan identifisere hvor utdataene trenger retting.\n\nAutomatisk språkidentifikasjon lar et opptak behandles uten at et språk må velges på forhånd. Settet på 43 språk omfatter engelsk, fransk, tysk, italiensk, spansk, hindi, kinesisk, japansk, koreansk, arabisk, indonesisk, russisk, thai og vietnamesisk. De tilførte språkene omfatter bulgarsk, katalansk, gresk, ukrainsk og flere sørasiatiske språk. Kontroller at ønsket språk tilhører denne utgavens sett fremfor å låne den bredere dekningen fra MAI-Transcribe 2. Ved flerspråklige samlinger bevarer du opptakets språk sammen med den kontrollerte teksten, slik at etterfølgende redigering følger det faktiske taleinnholdet.\n\nModellkortet for 1.5 beskriver nøkkelords- eller entitetshjelp med opptil 200 begreper, og utgivelsen forklarer formålet: å gjøre sannsynlige navn, akronymer og fagord tilgjengelige som kontekst. Produsenten beskriver kontekstuelle hint fremfor å tvinge oppgitte ord blindt inn i resultatet. Forbered et relevant ordforråd, for eksempel prosjektnavnet, et teknisk instrument eller korrekt skrivemåte for en person som diskuteres i opptaket. Bruk terminologien som kontekst for det faktiske opptaket, og kontroller de gjenkjente begrepene mot talen.\n\nVed en innspilt ingeniørfaglig leksjon forbereder du navnene på instrumentene som diskuteres, og nøyaktig skrivemåte for eventuelle prosjektakronymer. Skriv de nøyaktige stavemåtene i en målrettet terminologiliste og behold listen sammen med lyd og transkripsjon. Kontroller forekomstene mot talepassasjene fremfor å behandle en ordlisteoppføring som bevis på et treff. Navn som høres like ut, kan fortsatt trenge kontroll. Resultatet bør bevare ordene som faktisk ble sagt, inkludert en rettelse eller presisering som endrer betydningen.\n\nProdusenten vektlegger ytelse på lyd fra virkelige situasjoner, inkludert bakgrunnsstøy og ulike mikrofonforhold. Praktisk gjennomgang kan rette seg mot passasjer med samtidig tale, svake stemmer eller ord delvis dekket av en annen lyd. Hold usikkerheter knyttet til den tilsvarende lydpassasjen fremfor å fylle dem med antakelser om temaet. En plausibel setning kan fortsatt inneholde feil egennavn eller tall. Ved en samtaletranskripsjon er den nyttige leveransen en kontrollert gjengivelse av taleinnholdet som en senere analyse kan bruke, fremfor en gjettet fremstilling av innringerens hensikt.\n\nDet konkrete modellkortet for 1.5 oppgir en maksimal filstørrelse på 300 MB og to timer. Den tilknyttede synkrone REST-referansen for transkripsjon beskriver strengere driftsinndata: mindre enn 250 MB og kortere enn to timer. Dette er separat angitte grenser i modellkort og grensesnitt. Forbered filer innenfor rammen til det tiltenkte grensesnittet og organiser lengre materiale ved meningsfulle grenser i opptaket. Filstørrelsesgrensen gjelder den kodede lyden, mens varighetsgrensen gjelder taleopptakets lengde; ingen av dem definerer et tekstmodellkontekstvindu.\n\nModellkortets eksempelutdata er JSON som inneholder opptakets varighet og samlet gjenkjent tekst. Teksten kan bli en tilgjengelig transkripsjon, et manus for undertekster eller inndata for senere oppsummering og søk. Gruppering av undertekstblokker og tidsjustering mot opptaket er separat forberedelse når resultatet ikke inneholder nødvendige tidsdata. Ved intervjuarkiver krever tilordning av en replikk til en navngitt deltaker en separat kontrollert oversikt over hvem som snakket. Bevar den gjenkjente ordlyden og lyden som grunnlag for disse senere leveransene.\n\nUtgavens grenser er viktige når utdataene planlegges. Modellkortet for 1.5 plasserer uttrykkelig talerdiarisering utenfor de støttede egenskapene, og produsentens versjonssammenligning tilordner tidsstempler på ordnivå og stilinnstillinger for Clean/Verbatim til MAI-Transcribe 2. En innebygd strømmemodell er også en separat utgave. Denne 1.5-varianten retter seg derfor mot gjenkjent tekst fra opptak og dokumentert domenekontekst, uten å gjøre en annen utgaves taler-, tids- eller sanntidsfunksjoner til del av resultatet. Kontroller navn, tall, faguttrykk og uklar tale før du lager et sitert utdrag, et undertekstspor eller et avledet dokument.", "alias_of": null, "aliases": [], "author": "Microsoft AI", "capabilities": { "context_length": 0, "manufacturer_input": [ "audio" ], "manufacturer_output": [ "transcription" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ], "summary": "Fullstendige priser for konfigurasjonen finnes i detaljene." } ], "ctx": null, "formats": [ "transcriptions" ], "id": "microsoft/mai-transcribe-1.5", "input": [ "audio" ], "kind": "audio", "max_out": null, "methods": [ { "available": null, "billing_basis": { "basis": "original_invoice_usd", "description": "De viste satsene anslår kostnaden før generering. Det endelige beløpet beregnes ut fra kostnaden som er registrert for den opprinnelige genereringen. Målt varighet på utdataene og anslåtte mengder er ikke den endelige fakturerbare mengden.", "forecast_quantity_is_estimate": true, "physical_output_is_billable_quantity": false, "version": "original_invoice_usd_v1" }, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Bevar returnert X-Client-Request-ID for avstemming. Les bare faktisk returnerte task_id/asset_id-verdier eller egne oppføringer i mediebiblioteket; bygg aldri en oppgave-URL fra operasjons-ID-en, og send aldri opprettelsesforespørselen på nytt." }, "outputs": { "all_results": "Bevar hele svaret og svarhodene, alle faktiske utdata, de opprinnelige returnerte identifikatorene og alle bruksfeltene. Hent den opprinnelige operasjonen igjen uten å sende opprettelsesforespørselen på nytt.", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] }, "parameters": [ { "enum": [ "microsoft/mai-transcribe-1.5" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "name": "input_audio", "required": true, "type": "object" }, { "name": "language", "required": false, "type": "string" }, { "maximum": 1, "minimum": 0, "name": "temperature", "required": false, "type": "number" }, { "default": "json", "default_known": true, "enum": [ "json", "verbose_json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "items": { "enum": [ "segment", "word" ], "type": "string" }, "name": "timestamp_granularities", "required": false, "type": "array" }, { "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "enum": [ "wav", "mp3", "flac", "m4a", "ogg", "webm", "aac" ], "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "language": { "description": "ISO-639-1 code; omitted means auto-detection", "type": "string" }, "model": { "enum": [ "microsoft/mai-transcribe-1.5" ], "type": "string" }, "provider": { "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "json", "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "type": "string" }, "temperature": { "maximum": 1, "minimum": 0, "type": "number" }, "timestamp_granularities": { "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "type": "array" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "microsoft/mai-transcribe-1.5" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_conditions": [ "Les en faktisk WAV-fil og kod de virkelige bytene for det deklarerte JSON-feltet input_audio; ingen multipart-rute tilbys for denne eksakte deklarasjonen som bare bruker JSON." ], "material_types": [ "audio" ], "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "faktisk returnert task_id eller oppføring i mediebiblioteket", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Keep the returned X-Client-Request-ID for reconciliation. Read only actual returned task_id/asset_id values or the owned media library; never build a task URL from the operation ID and never resubmit creation." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio hour" }, "label": "input audio hour", "units": [ { "amount": "0.72", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.72", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" } ] }, { "basis": "Dette anslaget er verken en tilleggsavgift eller en fast sats for den fullførte genereringen.", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "Anslått genereringskostnad", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "examples": [ { "code": "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-1.5', '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 $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n", "label": "curl · exact native body and complete result", "language": "bash" }, { "code": "set -eu\n: \"${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.\n", "label": "Read existing owned assets", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use the exact caller model ID and documented input representation.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Transkripsjon", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_transcriptions", "out": null, "output": [ "text" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "original_invoice_usd", "image_input_price": null, "image_output_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio hour" }, "label": "input audio hour", "units": [ { "amount": "0.72", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.72", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" } ] }, { "basis": "This estimate is not an additional charge or a fixed rate for the completed generation.", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "Estimated generation cost", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "request_model_id": "microsoft/mai-transcribe-1.5", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.72", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.72", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "model_aliases": [ { "canonical_model_id": "microsoft/mai-transcribe-1.5", "request_model_id": "microsoft/mai-transcribe-1.5", "route_label": "Ultra" } ], "name": "Microsoft AI: MAI-Transcribe 1.5", "price": { "estimate_only": true, "in": null, "in_label": null, "out": 0.0002, "out_label": "estimate before generation", "scope_label": "Estimated generation cost", "sort_in": null, "sort_out": 0.0002, "varies": false }, "short": "Microsoft AI MAI-Transcribe 1.5 gjør innspilt tale om til tekst på 43 språk, med automatisk språkidentifikasjon og vekt på aksenter og støyende lyd. Modellkortet beskriver domenebevisst nøkkelordshjelp for navn og faguttrykk. Bruk transkripsjonen som grunnlag for kontrollerte notater eller undertekster." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Microsoft AI MAI-Transcribe 1.5 gjør innspilt tale om til tekst på 43 språk, med automatisk språkidentifikasjon og vekt på aksenter og støyende lyd. Modellkortet beskriver domenebevisst nøkkelordshjelp for navn og faguttrykk. Bruk transkripsjonen som grunnlag for kontrollerte notater eller undertekster.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "e87a2f3ed800980ec8cebc0541bf4706bd8415f04f556590290902beb397e96b", "renderer_sha256": "c8cb5a92c10b47373d294dee7465d66796cd4710c6626fd81459dc0625fc6d26" }, "sourceRevision": "d75cf4df013e3ece3915dd4b921d7d4d8a817a918f9bd7e1f7946ac1004fa206" }