Microsoft AI MAI-Transcribe 2 er tale-til-tekst-utgaven for innspilt lyd i Microsofts andre generasjon av transkripsjonsfamilien. Den gjør taleinnhold om til skriftlig tekst på 60 språk, med automatisk språkidentifikasjon og støtte for tale som veksler mellom språk. Modellen legger til talerdiarisering, tidsfesting på ordnivå og valgbare transkripsjonsstiler. Nyttige leveranser omfatter en møtetranskripsjon med talertilordning, et søkbart intervjuarkiv, data for tidsjustering av undertekster eller kontrollert diktering med fagterminologi.
Forbered opptaket med taleinnholdet intakt. Produsenten oppgir WAV, MP3 og FLAC som inndata. Behold originallyden for å sammenligne usikre ord, navn og tall med den gjenkjente teksten. Et opptak kan ha bakgrunnsstøy eller varierende mikrofonkvalitet, noe modellen er laget for å håndtere, men gjennomgangen bør fortsatt konsentreres om uklare eller overlappende passasjer. Ved et intervju beholder du rekkefølgen på replikker og pauser fremfor å fjerne konteksten som hjelper med å tolke et svar.
Automatisk språkgjenkjenning er nyttig når språket ikke er kjent på forhånd. Det dokumenterte settet på 60 språk omfatter engelsk, russisk, kinesisk, japansk, koreansk, arabisk, fransk, tysk, spansk, indonesisk, malayisk, thai og vietnamesisk. Språkveksling dekker naturlige skifter mellom språk, inkludert blandede par som Hinglish eller Spanglish. Produsentens grensesnitt godtar også ett enkelt språkhint, som beskrives som en sterk instruksjon. Bruk dette bare når opptaket faktisk er på det angitte språket, fremfor å tvinge en flerspråklig samtale inn i ett forventet språk.
Nøkkelordshjelp oppgir domenespesifikke begreper, forkortelser, produktnavn og egennavn som ellers kan være vanskelige å skille ut fra lyden. Forbered en målrettet liste knyttet til opptaket, for eksempel prosjektnavnet, en produktserie eller fagord som brukes i diskusjonen. Driftsveiledningen beskriver disse som gjenkjenningshint fremfor tvungne treff. Ved en teknisk forelesning inkluderer du nøyaktig skrivemåte for navngitte instrumenter og faguttrykk og kontrollerer deretter om transkripsjonen plasserer dem der de faktisk ble sagt. Et oppgitt begrep er ikke bevis på at taleren sa det.
Velg utdatastilen etter den tiltenkte leveransen. Verbatim, den dokumenterte standarden, beholder fyllord, falske starter og selvkorrigeringer. Clean fjerner talebrudd for en mer lesbar transkripsjon. En tekst som skal brukes til å undersøke hvordan en samtale utviklet seg, kan bevare nøling og rettelser; en lesbar leksjonstranskripsjon kan bruke renset ordlyd. Hold originallyden sammen med begge typer resultat. Rensing forbedrer presentasjonen av taleteksten og skal ikke behandles som et separat sammendrag eller en ny tolkning av hva taleren mente.
Talerdiarisering skiller replikker etter gjenkjent taler, og tidsstempler på ordnivå gir en forskyvning og varighet for hvert ord. Driftsgrensesnittet tilbyr også segmenttidsfesting eller ingen tidsfesting. Segmenter deles etter språk og, når diarisering er aktivert, etter taler. Tidsfeltene bruker millisekunder og kan støtte navigasjon, søk og redigering. Etikettene skiller gjenkjente talere; kobling av en etikett til en deltakers navn er et separat kontrolltrinn. Ved undertekster bruker du kontrollerte ordtider til å forberede lesbare undertekstgrupper fremfor å anta at gjenkjenningsresultatet allerede er en ferdig undertekstfil.
Modellkortet oppgir en maksimal filstørrelse på 300 MB og to timer. Den tilknyttede synkrone REST-referansen for det dokumenterte grensesnittet 2025-10-15 krever derimot en fil mindre enn 250 MB og kortere enn to timer. Dette er separate publiserte begrensninger i modellkortet og driftsgrensesnittet; forbered en fil innenfor den gjeldende driftsrammen. MAI-veiledningen sier også at diarisering støtter kortere opptak enn transkripsjon uten diarisering. Organiser langt materiale med flere talere i sammenhengende seksjoner når talertilordning trengs, og behold seksjonens plassering i originalopptaket for senere kontroll.
De dokumenterte utdataene er strukturerte transkripsjonsdata: fulltekst, fraser og, ved forespørsel, taler- og tidsinformasjon. En frase kan inneholde tekst, språk, forskyvning og varighet; ordtidsfesting kan knytte et gjenkjent ord til lyden. Ved et søkbart arkiv bevarer du relasjonene slik at et funnet begrep kan lede tilbake til opptaket. Ved en møteflyt blir en kontrollert transkripsjon inndata for senere oppsummering eller uttrekking av handlingspunkter. Talemodellens resultat er det gjenkjente innholdet, ikke en uavhengig verifisert fremstilling av møtets beslutninger.
Versjonsforskjellen er konkret. MAI-Transcribe 1.5 dekker 43 språk, mens denne utgaven dekker 60 og legger til dokumentert diarisering, tidsstempler for ord og innstillinger for Clean/Verbatim. MAI-Transcribe 2 Streaming er en separat modell for fortløpende transkripsjon i sanntid med eget funksjonssett; forsinkelsen til første delresultat beskriver ikke denne utgaven for innspilt lyd. Kontroller transkripsjonen mot lyden for navn, tall, talerskifter og passasjer med blandede språk før den brukes som kilde til undertekster, sitater eller et avledet dokument.
", "aboutText": "Microsoft AI MAI-Transcribe 2 er tale-til-tekst-utgaven for innspilt lyd i Microsofts andre generasjon av transkripsjonsfamilien. Den gjør taleinnhold om til skriftlig tekst på 60 språk, med automatisk språkidentifikasjon og støtte for tale som veksler mellom språk. Modellen legger til talerdiarisering, tidsfesting på ordnivå og valgbare transkripsjonsstiler. Nyttige leveranser omfatter en møtetranskripsjon med talertilordning, et søkbart intervjuarkiv, data for tidsjustering av undertekster eller kontrollert diktering med fagterminologi.\n\nForbered opptaket med taleinnholdet intakt. Produsenten oppgir WAV, MP3 og FLAC som inndata. Behold originallyden for å sammenligne usikre ord, navn og tall med den gjenkjente teksten. Et opptak kan ha bakgrunnsstøy eller varierende mikrofonkvalitet, noe modellen er laget for å håndtere, men gjennomgangen bør fortsatt konsentreres om uklare eller overlappende passasjer. Ved et intervju beholder du rekkefølgen på replikker og pauser fremfor å fjerne konteksten som hjelper med å tolke et svar.\n\nAutomatisk språkgjenkjenning er nyttig når språket ikke er kjent på forhånd. Det dokumenterte settet på 60 språk omfatter engelsk, russisk, kinesisk, japansk, koreansk, arabisk, fransk, tysk, spansk, indonesisk, malayisk, thai og vietnamesisk. Språkveksling dekker naturlige skifter mellom språk, inkludert blandede par som Hinglish eller Spanglish. Produsentens grensesnitt godtar også ett enkelt språkhint, som beskrives som en sterk instruksjon. Bruk dette bare når opptaket faktisk er på det angitte språket, fremfor å tvinge en flerspråklig samtale inn i ett forventet språk.\n\nNøkkelordshjelp oppgir domenespesifikke begreper, forkortelser, produktnavn og egennavn som ellers kan være vanskelige å skille ut fra lyden. Forbered en målrettet liste knyttet til opptaket, for eksempel prosjektnavnet, en produktserie eller fagord som brukes i diskusjonen. Driftsveiledningen beskriver disse som gjenkjenningshint fremfor tvungne treff. Ved en teknisk forelesning inkluderer du nøyaktig skrivemåte for navngitte instrumenter og faguttrykk og kontrollerer deretter om transkripsjonen plasserer dem der de faktisk ble sagt. Et oppgitt begrep er ikke bevis på at taleren sa det.\n\nVelg utdatastilen etter den tiltenkte leveransen. Verbatim, den dokumenterte standarden, beholder fyllord, falske starter og selvkorrigeringer. Clean fjerner talebrudd for en mer lesbar transkripsjon. En tekst som skal brukes til å undersøke hvordan en samtale utviklet seg, kan bevare nøling og rettelser; en lesbar leksjonstranskripsjon kan bruke renset ordlyd. Hold originallyden sammen med begge typer resultat. Rensing forbedrer presentasjonen av taleteksten og skal ikke behandles som et separat sammendrag eller en ny tolkning av hva taleren mente.\n\nTalerdiarisering skiller replikker etter gjenkjent taler, og tidsstempler på ordnivå gir en forskyvning og varighet for hvert ord. Driftsgrensesnittet tilbyr også segmenttidsfesting eller ingen tidsfesting. Segmenter deles etter språk og, når diarisering er aktivert, etter taler. Tidsfeltene bruker millisekunder og kan støtte navigasjon, søk og redigering. Etikettene skiller gjenkjente talere; kobling av en etikett til en deltakers navn er et separat kontrolltrinn. Ved undertekster bruker du kontrollerte ordtider til å forberede lesbare undertekstgrupper fremfor å anta at gjenkjenningsresultatet allerede er en ferdig undertekstfil.\n\nModellkortet oppgir en maksimal filstørrelse på 300 MB og to timer. Den tilknyttede synkrone REST-referansen for det dokumenterte grensesnittet 2025-10-15 krever derimot en fil mindre enn 250 MB og kortere enn to timer. Dette er separate publiserte begrensninger i modellkortet og driftsgrensesnittet; forbered en fil innenfor den gjeldende driftsrammen. MAI-veiledningen sier også at diarisering støtter kortere opptak enn transkripsjon uten diarisering. Organiser langt materiale med flere talere i sammenhengende seksjoner når talertilordning trengs, og behold seksjonens plassering i originalopptaket for senere kontroll.\n\nDe dokumenterte utdataene er strukturerte transkripsjonsdata: fulltekst, fraser og, ved forespørsel, taler- og tidsinformasjon. En frase kan inneholde tekst, språk, forskyvning og varighet; ordtidsfesting kan knytte et gjenkjent ord til lyden. Ved et søkbart arkiv bevarer du relasjonene slik at et funnet begrep kan lede tilbake til opptaket. Ved en møteflyt blir en kontrollert transkripsjon inndata for senere oppsummering eller uttrekking av handlingspunkter. Talemodellens resultat er det gjenkjente innholdet, ikke en uavhengig verifisert fremstilling av møtets beslutninger.\n\nVersjonsforskjellen er konkret. MAI-Transcribe 1.5 dekker 43 språk, mens denne utgaven dekker 60 og legger til dokumentert diarisering, tidsstempler for ord og innstillinger for Clean/Verbatim. MAI-Transcribe 2 Streaming er en separat modell for fortløpende transkripsjon i sanntid med eget funksjonssett; forsinkelsen til første delresultat beskriver ikke denne utgaven for innspilt lyd. Kontroller transkripsjonen mot lyden for navn, tall, talerskifter og passasjer med blandede språk før den brukes som kilde til undertekster, sitater eller et avledet dokument.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "53d8df14504d40050af04f275702e3314d670229bc9909e8f5d62384d50edc0a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "microsoft/mai-transcribe-2Microsoft AI MAI-Transcribe 2 gjør innspilt tale om til tekst på 60 språk, med automatisk språkidentifikasjon og veksling mellom språk. Den legger til talerdiarisering, tidsfesting av ord, nøkkelordshjelp og renset eller ordrett stil for møtereferater, undertekster, søkbar lyd og faglig diktering.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Microsoft AI MAI-Transcribe 2 er tale-til-tekst-utgaven for innspilt lyd i Microsofts andre generasjon av transkripsjonsfamilien. Den gjør taleinnhold om til skriftlig tekst på 60 språk, med automatisk språkidentifikasjon og støtte for tale som veksler mellom språk. Modellen legger til talerdiarisering, tidsfesting på ordnivå og valgbare transkripsjonsstiler. Nyttige leveranser omfatter en møtetranskripsjon med talertilordning, et søkbart intervjuarkiv, data for tidsjustering av undertekster eller kontrollert diktering med fagterminologi.
Forbered opptaket med taleinnholdet intakt. Produsenten oppgir WAV, MP3 og FLAC som inndata. Behold originallyden for å sammenligne usikre ord, navn og tall med den gjenkjente teksten. Et opptak kan ha bakgrunnsstøy eller varierende mikrofonkvalitet, noe modellen er laget for å håndtere, men gjennomgangen bør fortsatt konsentreres om uklare eller overlappende passasjer. Ved et intervju beholder du rekkefølgen på replikker og pauser fremfor å fjerne konteksten som hjelper med å tolke et svar.
Automatisk språkgjenkjenning er nyttig når språket ikke er kjent på forhånd. Det dokumenterte settet på 60 språk omfatter engelsk, russisk, kinesisk, japansk, koreansk, arabisk, fransk, tysk, spansk, indonesisk, malayisk, thai og vietnamesisk. Språkveksling dekker naturlige skifter mellom språk, inkludert blandede par som Hinglish eller Spanglish. Produsentens grensesnitt godtar også ett enkelt språkhint, som beskrives som en sterk instruksjon. Bruk dette bare når opptaket faktisk er på det angitte språket, fremfor å tvinge en flerspråklig samtale inn i ett forventet språk.
Nøkkelordshjelp oppgir domenespesifikke begreper, forkortelser, produktnavn og egennavn som ellers kan være vanskelige å skille ut fra lyden. Forbered en målrettet liste knyttet til opptaket, for eksempel prosjektnavnet, en produktserie eller fagord som brukes i diskusjonen. Driftsveiledningen beskriver disse som gjenkjenningshint fremfor tvungne treff. Ved en teknisk forelesning inkluderer du nøyaktig skrivemåte for navngitte instrumenter og faguttrykk og kontrollerer deretter om transkripsjonen plasserer dem der de faktisk ble sagt. Et oppgitt begrep er ikke bevis på at taleren sa det.
Velg utdatastilen etter den tiltenkte leveransen. Verbatim, den dokumenterte standarden, beholder fyllord, falske starter og selvkorrigeringer. Clean fjerner talebrudd for en mer lesbar transkripsjon. En tekst som skal brukes til å undersøke hvordan en samtale utviklet seg, kan bevare nøling og rettelser; en lesbar leksjonstranskripsjon kan bruke renset ordlyd. Hold originallyden sammen med begge typer resultat. Rensing forbedrer presentasjonen av taleteksten og skal ikke behandles som et separat sammendrag eller en ny tolkning av hva taleren mente.
Talerdiarisering skiller replikker etter gjenkjent taler, og tidsstempler på ordnivå gir en forskyvning og varighet for hvert ord. Driftsgrensesnittet tilbyr også segmenttidsfesting eller ingen tidsfesting. Segmenter deles etter språk og, når diarisering er aktivert, etter taler. Tidsfeltene bruker millisekunder og kan støtte navigasjon, søk og redigering. Etikettene skiller gjenkjente talere; kobling av en etikett til en deltakers navn er et separat kontrolltrinn. Ved undertekster bruker du kontrollerte ordtider til å forberede lesbare undertekstgrupper fremfor å anta at gjenkjenningsresultatet allerede er en ferdig undertekstfil.
Modellkortet oppgir en maksimal filstørrelse på 300 MB og to timer. Den tilknyttede synkrone REST-referansen for det dokumenterte grensesnittet 2025-10-15 krever derimot en fil mindre enn 250 MB og kortere enn to timer. Dette er separate publiserte begrensninger i modellkortet og driftsgrensesnittet; forbered en fil innenfor den gjeldende driftsrammen. MAI-veiledningen sier også at diarisering støtter kortere opptak enn transkripsjon uten diarisering. Organiser langt materiale med flere talere i sammenhengende seksjoner når talertilordning trengs, og behold seksjonens plassering i originalopptaket for senere kontroll.
De dokumenterte utdataene er strukturerte transkripsjonsdata: fulltekst, fraser og, ved forespørsel, taler- og tidsinformasjon. En frase kan inneholde tekst, språk, forskyvning og varighet; ordtidsfesting kan knytte et gjenkjent ord til lyden. Ved et søkbart arkiv bevarer du relasjonene slik at et funnet begrep kan lede tilbake til opptaket. Ved en møteflyt blir en kontrollert transkripsjon inndata for senere oppsummering eller uttrekking av handlingspunkter. Talemodellens resultat er det gjenkjente innholdet, ikke en uavhengig verifisert fremstilling av møtets beslutninger.
Versjonsforskjellen er konkret. MAI-Transcribe 1.5 dekker 43 språk, mens denne utgaven dekker 60 og legger til dokumentert diarisering, tidsstempler for ord og innstillinger for Clean/Verbatim. MAI-Transcribe 2 Streaming er en separat modell for fortløpende transkripsjon i sanntid med eget funksjonssett; forsinkelsen til første delresultat beskriver ikke denne utgaven for innspilt lyd. Kontroller transkripsjonen mot lyden for navn, tall, talerskifter og passasjer med blandede språk før den brukes som kilde til undertekster, sitater eller et avledet dokument.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser microsoft/mai-transcribe-2 | Standard— |
Feltinput_audio | Typeobject | KravPåkrevd | Verdier & grenser | Standard— |
Feltlanguage | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Minimum: 0 Maksimum: 1 | Standard— |
Feltresponse_format | Typestring | KravValgfritt | Verdier & grenser json, verbose_json | Standardjson |
Felttimestamp_granularities | Typearray | KravValgfritt | Verdier & grenser | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input_audio |
Parametermaterial_types | Avtaleaudio |
Parametermaterial_conditions | AvtaleLes 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}
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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Forventet mengde | Faktureringsenhet | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Forventet 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 inndata | Prisplan— | Forventet mengde— | Faktureringsenhetper time inndatalyd | Kostnad Inndata · lydtime i inndata · Estimat kun for sammenligning $0.2 per time inndatalyd |
| KonfigurasjonAnslått genereringskostnad | Prisplan— | Forventet mengdeestimat for én generering | Faktureringsenhet— | Kostnad Utdata · Anslått genereringskostnad · Estimat kun for sammenligning $0.00005555555555555556 estimat før generering Dette anslaget er verken en tilleggsavgift eller en fast sats for den fullførte genereringen. |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'microsoft/mai-transcribe-2', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nBehold 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.
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.
| Felt | Type |
|---|---|
Felttext | Type |
Feltusage | Type |
Feltsegments[] | Type |
Feltwords[] | Type |
Feltspeaker fields | Type |
Felttimestamps | Type |
Ailoot Ultra microsoft/mai-transcribe-2
Bruk metodestiene som vises ovenfor.