Microsoft AI MAI-Transcribe 1.5 to model rozpoznawania mowy do zamieniania nagranego dźwięku na treść pisaną. Dokładna karta modelu opisuje rozpoznawanie w 43 językach, automatyczną identyfikację języka i odporność na różne akcenty, dialekty, style mówienia oraz szum. Edycja rozszerza zestaw 25 języków MAI-Transcribe 1 o osiemnaście języków. Użytecznym wynikiem jest zapis mowy z wykładu, wywiadu, rozmowy telefonicznej lub notatki głosowej, gotowy do sprawdzenia względem nagrania przed późniejszą redakcją lub analizą.
Przygotuj kompletne, zrozumiałe nagranie w jednym z formatów wymienionych przez producenta: WAV, MP3 lub FLAC. Zachowuj oryginalny plik i wszelki podział na sekcje, aby transkrypcję można było porównać z audio. Dla wykładu zachowuj frazy wokół terminu technicznego, zamiast wyodrębniać samo trudne słowo. Dla notatki głosowej zachowuj poprawkę zmieniającą nazwę, czas lub liczbę. Otaczająca mowa dostarcza kontekstu do rozpoznania wypowiedzi, a odsłuch kontrolny może wskazać miejsca wymagające poprawy wyniku.
Automatyczna identyfikacja języka pozwala przetwarzać nagranie bez wcześniejszego wyboru języka. Zestaw 43 języków obejmuje angielski, francuski, niemiecki, włoski, hiszpański, hindi, chiński, japoński, koreański, arabski, indonezyjski, rosyjski, tajski i wietnamski. Dodane języki obejmują bułgarski, kataloński, grecki, ukraiński i kilka języków Azji Południowej. Sprawdź, czy zamierzony język należy do zestawu tej edycji, zamiast przypisywać jej szersze pokrycie MAI-Transcribe 2. Dla kolekcji wielojęzycznych zachowuj język nagrania wraz ze sprawdzonym tekstem, aby dalsza redakcja podążała za rzeczywistą treścią mówioną.
Karta modelu 1.5 opisuje wskazówki słów kluczowych lub encji obejmujące do 200 terminów, a wydanie wyjaśnia ich cel: udostępnienie prawdopodobnych nazw, akronimów i słów specjalistycznych jako kontekstu. Producent opisuje wskazówki kontekstowe, a nie ślepe wymuszanie dostarczonych słów w wyniku. Przygotuj odpowiednie słownictwo, takie jak nazwa projektu, przyrząd techniczny lub poprawna pisownia nazwiska osoby omawianej w nagraniu. Używaj tej terminologii jako kontekstu rzeczywistego nagrania i sprawdzaj rozpoznane terminy względem mowy.
Dla nagranej lekcji inżynierii przygotuj nazwy omawianych przyrządów i dokładną pisownię każdego akronimu projektu. Zapisz ich dokładną pisownię na skoncentrowanej liście terminologii i zachowuj listę przy audio i transkrypcji. Sprawdzaj wystąpienia względem wypowiedzianych fragmentów, zamiast traktować pozycję słownika jako dowód dopasowania. Podobnie brzmiące nazwy nadal mogą wymagać kontroli. Wynik powinien zachowywać rzeczywiście wypowiedziane słowa, w tym poprawkę lub doprecyzowanie zmieniające ich znaczenie.
Producent podkreśla jakość na rzeczywistych nagraniach, w tym z szumem tła i różnymi warunkami mikrofonowymi. Praktyczna weryfikacja może skupiać się na fragmentach z jednoczesną mową, cichymi głosami lub słowami częściowo zagłuszonymi innym dźwiękiem. Wiąż niepewności z odpowiednim fragmentem audio, zamiast uzupełniać je założeniami o temacie. Wiarygodnie brzmiące zdanie nadal może zawierać błędną nazwę własną lub liczbę. Dla transkrypcji rozmowy telefonicznej użytecznym rezultatem jest sprawdzony zapis wypowiedzi do późniejszej analizy, a nie odgadnięty opis intencji rozmówcy.
Dokładna karta modelu 1.5 podaje maksymalny rozmiar pliku 300 MB i dwie godziny. Powiązana synchroniczna referencja REST transkrypcji opisuje bardziej restrykcyjne wejście obsługi: mniej niż 250 MB i krócej niż dwie godziny. Są to osobno podane limity karty modelu i interfejsu. Przygotowuj pliki w limitach zamierzonego interfejsu i porządkuj dłuższy materiał według znaczących granic nagrania. Limit rozmiaru pliku dotyczy zakodowanego audio, a limit czasu trwania długości nagrania mowy; żaden nie definiuje okna kontekstu modelu tekstowego.
Przykładowe wyjście karty modelu to JSON zawierający czas trwania nagrania i połączony rozpoznany tekst. Tekst może stać się dostępną transkrypcją, scenariuszem napisów lub wejściem do późniejszego streszczania i wyszukiwania. Grupowanie kwestii napisów i wyrównanie do nagrania wymagają osobnego przygotowania, gdy wynik nie zawiera potrzebnych danych czasowych. Dla zapisów wywiadów przypisanie kwestii do nazwanej osoby wymaga osobnego sprawdzonego zapisu tego, kto mówił. Zachowuj rozpoznane brzmienie i audio jako podstawę tych późniejszych rezultatów.
Granice edycji mają znaczenie przy planowaniu wyjścia. Karta 1.5 wyraźnie wyłącza diaryzację mówców z obsługiwanych możliwości, a porównanie wersji producenta przypisuje znaczniki czasu słów i ustawienia stylu clean/verbatim do MAI-Transcribe 2. Natywny model strumieniowy także jest odrębną edycją. Ten wariant 1.5 skupia się więc na rozpoznanym tekście z nagrań i udokumentowanym kontekście dziedzinowym, bez włączania do wyniku funkcji mówców, czasowania czy wejścia na żywo z innej edycji. Sprawdzaj nazwy, liczby, terminy techniczne i niejasną mowę przed przygotowaniem cytatu, ścieżki napisów lub dokumentu pochodnego.
", "aboutText": "Microsoft AI MAI-Transcribe 1.5 to model rozpoznawania mowy do zamieniania nagranego dźwięku na treść pisaną. Dokładna karta modelu opisuje rozpoznawanie w 43 językach, automatyczną identyfikację języka i odporność na różne akcenty, dialekty, style mówienia oraz szum. Edycja rozszerza zestaw 25 języków MAI-Transcribe 1 o osiemnaście języków. Użytecznym wynikiem jest zapis mowy z wykładu, wywiadu, rozmowy telefonicznej lub notatki głosowej, gotowy do sprawdzenia względem nagrania przed późniejszą redakcją lub analizą.\n\nPrzygotuj kompletne, zrozumiałe nagranie w jednym z formatów wymienionych przez producenta: WAV, MP3 lub FLAC. Zachowuj oryginalny plik i wszelki podział na sekcje, aby transkrypcję można było porównać z audio. Dla wykładu zachowuj frazy wokół terminu technicznego, zamiast wyodrębniać samo trudne słowo. Dla notatki głosowej zachowuj poprawkę zmieniającą nazwę, czas lub liczbę. Otaczająca mowa dostarcza kontekstu do rozpoznania wypowiedzi, a odsłuch kontrolny może wskazać miejsca wymagające poprawy wyniku.\n\nAutomatyczna identyfikacja języka pozwala przetwarzać nagranie bez wcześniejszego wyboru języka. Zestaw 43 języków obejmuje angielski, francuski, niemiecki, włoski, hiszpański, hindi, chiński, japoński, koreański, arabski, indonezyjski, rosyjski, tajski i wietnamski. Dodane języki obejmują bułgarski, kataloński, grecki, ukraiński i kilka języków Azji Południowej. Sprawdź, czy zamierzony język należy do zestawu tej edycji, zamiast przypisywać jej szersze pokrycie MAI-Transcribe 2. Dla kolekcji wielojęzycznych zachowuj język nagrania wraz ze sprawdzonym tekstem, aby dalsza redakcja podążała za rzeczywistą treścią mówioną.\n\nKarta modelu 1.5 opisuje wskazówki słów kluczowych lub encji obejmujące do 200 terminów, a wydanie wyjaśnia ich cel: udostępnienie prawdopodobnych nazw, akronimów i słów specjalistycznych jako kontekstu. Producent opisuje wskazówki kontekstowe, a nie ślepe wymuszanie dostarczonych słów w wyniku. Przygotuj odpowiednie słownictwo, takie jak nazwa projektu, przyrząd techniczny lub poprawna pisownia nazwiska osoby omawianej w nagraniu. Używaj tej terminologii jako kontekstu rzeczywistego nagrania i sprawdzaj rozpoznane terminy względem mowy.\n\nDla nagranej lekcji inżynierii przygotuj nazwy omawianych przyrządów i dokładną pisownię każdego akronimu projektu. Zapisz ich dokładną pisownię na skoncentrowanej liście terminologii i zachowuj listę przy audio i transkrypcji. Sprawdzaj wystąpienia względem wypowiedzianych fragmentów, zamiast traktować pozycję słownika jako dowód dopasowania. Podobnie brzmiące nazwy nadal mogą wymagać kontroli. Wynik powinien zachowywać rzeczywiście wypowiedziane słowa, w tym poprawkę lub doprecyzowanie zmieniające ich znaczenie.\n\nProducent podkreśla jakość na rzeczywistych nagraniach, w tym z szumem tła i różnymi warunkami mikrofonowymi. Praktyczna weryfikacja może skupiać się na fragmentach z jednoczesną mową, cichymi głosami lub słowami częściowo zagłuszonymi innym dźwiękiem. Wiąż niepewności z odpowiednim fragmentem audio, zamiast uzupełniać je założeniami o temacie. Wiarygodnie brzmiące zdanie nadal może zawierać błędną nazwę własną lub liczbę. Dla transkrypcji rozmowy telefonicznej użytecznym rezultatem jest sprawdzony zapis wypowiedzi do późniejszej analizy, a nie odgadnięty opis intencji rozmówcy.\n\nDokładna karta modelu 1.5 podaje maksymalny rozmiar pliku 300 MB i dwie godziny. Powiązana synchroniczna referencja REST transkrypcji opisuje bardziej restrykcyjne wejście obsługi: mniej niż 250 MB i krócej niż dwie godziny. Są to osobno podane limity karty modelu i interfejsu. Przygotowuj pliki w limitach zamierzonego interfejsu i porządkuj dłuższy materiał według znaczących granic nagrania. Limit rozmiaru pliku dotyczy zakodowanego audio, a limit czasu trwania długości nagrania mowy; żaden nie definiuje okna kontekstu modelu tekstowego.\n\nPrzykładowe wyjście karty modelu to JSON zawierający czas trwania nagrania i połączony rozpoznany tekst. Tekst może stać się dostępną transkrypcją, scenariuszem napisów lub wejściem do późniejszego streszczania i wyszukiwania. Grupowanie kwestii napisów i wyrównanie do nagrania wymagają osobnego przygotowania, gdy wynik nie zawiera potrzebnych danych czasowych. Dla zapisów wywiadów przypisanie kwestii do nazwanej osoby wymaga osobnego sprawdzonego zapisu tego, kto mówił. Zachowuj rozpoznane brzmienie i audio jako podstawę tych późniejszych rezultatów.\n\nGranice edycji mają znaczenie przy planowaniu wyjścia. Karta 1.5 wyraźnie wyłącza diaryzację mówców z obsługiwanych możliwości, a porównanie wersji producenta przypisuje znaczniki czasu słów i ustawienia stylu clean/verbatim do MAI-Transcribe 2. Natywny model strumieniowy także jest odrębną edycją. Ten wariant 1.5 skupia się więc na rozpoznanym tekście z nagrań i udokumentowanym kontekście dziedzinowym, bez włączania do wyniku funkcji mówców, czasowania czy wejścia na żywo z innej edycji. Sprawdzaj nazwy, liczby, terminy techniczne i niejasną mowę przed przygotowaniem cytatu, ścieżki napisów lub dokumentu pochodnego.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "dbc42b5ef64c79e10175bf7ed3e379d89d5c1e6cf0173b958d4750d8e515260a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "microsoft/mai-transcribe-1.5Microsoft AI MAI-Transcribe 1.5 zamienia nagraną mowę na tekst w 43 językach, z automatyczną identyfikacją języka i naciskiem na akcenty oraz zaszumione audio. Karta modelu opisuje dziedzinowe wskazówki słów kluczowych dla nazw i terminów specjalistycznych. Używaj transkrypcji jako podstawy sprawdzonych notatek lub napisów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Microsoft AI MAI-Transcribe 1.5 to model rozpoznawania mowy do zamieniania nagranego dźwięku na treść pisaną. Dokładna karta modelu opisuje rozpoznawanie w 43 językach, automatyczną identyfikację języka i odporność na różne akcenty, dialekty, style mówienia oraz szum. Edycja rozszerza zestaw 25 języków MAI-Transcribe 1 o osiemnaście języków. Użytecznym wynikiem jest zapis mowy z wykładu, wywiadu, rozmowy telefonicznej lub notatki głosowej, gotowy do sprawdzenia względem nagrania przed późniejszą redakcją lub analizą.
Przygotuj kompletne, zrozumiałe nagranie w jednym z formatów wymienionych przez producenta: WAV, MP3 lub FLAC. Zachowuj oryginalny plik i wszelki podział na sekcje, aby transkrypcję można było porównać z audio. Dla wykładu zachowuj frazy wokół terminu technicznego, zamiast wyodrębniać samo trudne słowo. Dla notatki głosowej zachowuj poprawkę zmieniającą nazwę, czas lub liczbę. Otaczająca mowa dostarcza kontekstu do rozpoznania wypowiedzi, a odsłuch kontrolny może wskazać miejsca wymagające poprawy wyniku.
Automatyczna identyfikacja języka pozwala przetwarzać nagranie bez wcześniejszego wyboru języka. Zestaw 43 języków obejmuje angielski, francuski, niemiecki, włoski, hiszpański, hindi, chiński, japoński, koreański, arabski, indonezyjski, rosyjski, tajski i wietnamski. Dodane języki obejmują bułgarski, kataloński, grecki, ukraiński i kilka języków Azji Południowej. Sprawdź, czy zamierzony język należy do zestawu tej edycji, zamiast przypisywać jej szersze pokrycie MAI-Transcribe 2. Dla kolekcji wielojęzycznych zachowuj język nagrania wraz ze sprawdzonym tekstem, aby dalsza redakcja podążała za rzeczywistą treścią mówioną.
Karta modelu 1.5 opisuje wskazówki słów kluczowych lub encji obejmujące do 200 terminów, a wydanie wyjaśnia ich cel: udostępnienie prawdopodobnych nazw, akronimów i słów specjalistycznych jako kontekstu. Producent opisuje wskazówki kontekstowe, a nie ślepe wymuszanie dostarczonych słów w wyniku. Przygotuj odpowiednie słownictwo, takie jak nazwa projektu, przyrząd techniczny lub poprawna pisownia nazwiska osoby omawianej w nagraniu. Używaj tej terminologii jako kontekstu rzeczywistego nagrania i sprawdzaj rozpoznane terminy względem mowy.
Dla nagranej lekcji inżynierii przygotuj nazwy omawianych przyrządów i dokładną pisownię każdego akronimu projektu. Zapisz ich dokładną pisownię na skoncentrowanej liście terminologii i zachowuj listę przy audio i transkrypcji. Sprawdzaj wystąpienia względem wypowiedzianych fragmentów, zamiast traktować pozycję słownika jako dowód dopasowania. Podobnie brzmiące nazwy nadal mogą wymagać kontroli. Wynik powinien zachowywać rzeczywiście wypowiedziane słowa, w tym poprawkę lub doprecyzowanie zmieniające ich znaczenie.
Producent podkreśla jakość na rzeczywistych nagraniach, w tym z szumem tła i różnymi warunkami mikrofonowymi. Praktyczna weryfikacja może skupiać się na fragmentach z jednoczesną mową, cichymi głosami lub słowami częściowo zagłuszonymi innym dźwiękiem. Wiąż niepewności z odpowiednim fragmentem audio, zamiast uzupełniać je założeniami o temacie. Wiarygodnie brzmiące zdanie nadal może zawierać błędną nazwę własną lub liczbę. Dla transkrypcji rozmowy telefonicznej użytecznym rezultatem jest sprawdzony zapis wypowiedzi do późniejszej analizy, a nie odgadnięty opis intencji rozmówcy.
Dokładna karta modelu 1.5 podaje maksymalny rozmiar pliku 300 MB i dwie godziny. Powiązana synchroniczna referencja REST transkrypcji opisuje bardziej restrykcyjne wejście obsługi: mniej niż 250 MB i krócej niż dwie godziny. Są to osobno podane limity karty modelu i interfejsu. Przygotowuj pliki w limitach zamierzonego interfejsu i porządkuj dłuższy materiał według znaczących granic nagrania. Limit rozmiaru pliku dotyczy zakodowanego audio, a limit czasu trwania długości nagrania mowy; żaden nie definiuje okna kontekstu modelu tekstowego.
Przykładowe wyjście karty modelu to JSON zawierający czas trwania nagrania i połączony rozpoznany tekst. Tekst może stać się dostępną transkrypcją, scenariuszem napisów lub wejściem do późniejszego streszczania i wyszukiwania. Grupowanie kwestii napisów i wyrównanie do nagrania wymagają osobnego przygotowania, gdy wynik nie zawiera potrzebnych danych czasowych. Dla zapisów wywiadów przypisanie kwestii do nazwanej osoby wymaga osobnego sprawdzonego zapisu tego, kto mówił. Zachowuj rozpoznane brzmienie i audio jako podstawę tych późniejszych rezultatów.
Granice edycji mają znaczenie przy planowaniu wyjścia. Karta 1.5 wyraźnie wyłącza diaryzację mówców z obsługiwanych możliwości, a porównanie wersji producenta przypisuje znaczniki czasu słów i ustawienia stylu clean/verbatim do MAI-Transcribe 2. Natywny model strumieniowy także jest odrębną edycją. Ten wariant 1.5 skupia się więc na rozpoznanym tekście z nagrań i udokumentowanym kontekście dziedzinowym, bez włączania do wyniku funkcji mówców, czasowania czy wejścia na żywo z innej edycji. Sprawdzaj nazwy, liczby, terminy techniczne i niejasną mowę przed przygotowaniem cytatu, ścieżki napisów lub dokumentu pochodnego.
POST /v1/audio/transcriptionsaudiotext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity microsoft/mai-transcribe-1.5 | Domyślnie— |
Poleinput_audio | Typobject | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polelanguage | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Minimum: 0 Maksimum: 1 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity json, verbose_json | Domyślniejson |
Poletimestamp_granularities | Typarray | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input_audio |
Parametrmaterial_types | Kontraktaudio |
Parametrmaterial_conditions | KontraktOdczytaj rzeczywisty plik WAV i zakoduj jego prawdziwe bajty dla zadeklarowanego wejścia JSON input_audio; dla tej konkretnej deklaracji obsługującej wyłącznie JSON nie deklaruje się ścieżki multipart. |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Wyświetlane stawki służą do oszacowania kosztu przed generowaniem. Ostateczna opłata jest obliczana na podstawie kosztu zarejestrowanego dla pierwotnego generowania. Zmierzony czas trwania wyniku i prognozowane ilości nie stanowią ostatecznej ilości podlegającej rozliczeniu.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Przewidywana ilość | Jednostka rozliczeniowa | Opłata |
|---|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Przewidywana ilość— | Jednostka rozliczeniowa— | Opłata Wejście · Tokeny wejściowe · Szacunek tylko do porównania — / 1K tokenów Wyjście · Tokeny wyjściowe · Szacunek tylko do porównania — / 1K tokenów Wejście · Odczyt cache · Szacunek tylko do porównania — / 1K tokenów Wejście · Zapis do cache · Szacunek tylko do porównania — / 1K tokenów Wejście · Zapis do cache, 1 godz. · Szacunek tylko do porównania — / 1K tokenów |
| Konfiguracjagodzina wejściowego audio | Tabela stawek— | Przewidywana ilość— | Jednostka rozliczeniowaza godzinę dźwięku wejściowego | Opłata Wejście · godzina wejściowego audio · Szacunek tylko do porównania $0.72 za godzinę dźwięku wejściowego |
| KonfiguracjaSzacowany koszt generowania | Tabela stawek— | Przewidywana ilośćszacunek dla jednego generowania | Jednostka rozliczeniowa— | Opłata Wyjście · Szacowany koszt generowania · Szacunek tylko do porównania $0.0002 szacunek przed generowaniem Ten szacunek nie jest dodatkową opłatą ani stałą stawką za ukończone generowanie. |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nZachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj pełną odpowiedź i nagłówki, wszystkie rzeczywiście uzyskane wyniki, pierwotnie zwrócone identyfikatory oraz wszystkie pola zużycia. Odzyskaj pierwotną operację bez ponownego wysyłania żądania utworzenia.
Zachowaj zwrócony X-Client-Request-ID do uzgodnienia danych. Odczytuj wyłącznie rzeczywiście zwrócone wartości task_id/asset_id lub własną bibliotekę multimediów; nigdy nie buduj adresu URL zadania na podstawie identyfikatora operacji i nigdy nie wysyłaj ponownie żądania utworzenia.
| Pole | Typ |
|---|---|
Poletext | Typ |
Poleusage | Typ |
Polesegments[] | Typ |
Polewords[] | Typ |
Polespeaker fields | Typ |
Poletimestamps | Typ |
Ailoot Ultra microsoft/mai-transcribe-1.5
Użyj ścieżek metod podanych powyżej.