Source: https://ailoot.ai/models/pl/microsoft-mai-transcribe-2/ Canonical: https://ailoot.ai/models/pl/microsoft-mai-transcribe-2/ Language: pl # Microsoft AI: MAI-Transcribe 2 [Markdown](https://ailoot.ai/models/pl/microsoft-mai-transcribe-2/index.md) · [JSON](https://ailoot.ai/models/pl/microsoft-mai-transcribe-2/facts.json) ## [Microsoft AI: MAI-Transcribe 2](https://ailoot.ai/models/pl/microsoft-mai-transcribe-2/) Microsoft AI MAI-Transcribe 2 zamienia nagraną mowę na tekst w 60 językach, z automatyczną identyfikacją języka i obsługą przełączania języków. Dodaje diaryzację mówców, czasowanie słów, wskazówki słów kluczowych oraz styl oczyszczony lub dosłowny do zapisów spotkań, napisów, przeszukiwalnego audio i specjalistycznego dyktowania. - [**Ailoot Ultra · Transkrypcja** `POST /v1/audio/transcriptions` `microsoft/mai-transcribe-2`](https://ailoot.ai/models/pl/microsoft-mai-transcribe-2/#method-0) O modelu Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody. Microsoft AI MAI-Transcribe 2 to edycja rozpoznawania mowy z nagrań w drugiej generacji rodziny transkrypcji Microsoft. Zamienia wypowiedzi na tekst pisany w 60 językach, z automatyczną identyfikacją języka i obsługą mowy przełączającej się między językami. Model dodaje diaryzację mówców, czasowanie na poziomie słów i wybieralne style transkrypcji. Użyteczne rezultaty obejmują transkrypcję spotkania z przypisaniem mówców, przeszukiwalny zapis wywiadu, dane wyrównania napisów lub sprawdzony tekst dyktowany zawierający terminologię specjalistyczną. Przygotuj nagranie z zachowanym materiałem mówionym. Producent wymienia wejście WAV, MP3 i FLAC. Zachowuj oryginalne audio do porównywania niepewnych słów, nazw i liczb z rozpoznanym tekstem. Nagranie może zawierać szum tła lub zmienną jakość mikrofonu, z którymi model ma sobie radzić, ale kontrola nadal powinna skupiać się na niejasnych lub nakładających się fragmentach. Przy wywiadzie zachowuj kolejność tur i pauz, zamiast usuwać kontekst pomagający interpretować odpowiedź. Automatyczne wykrywanie języka przydaje się, gdy język nie jest znany z góry. Udokumentowany zestaw 60 języków obejmuje angielski, rosyjski, chiński, japoński, koreański, arabski, francuski, niemiecki, hiszpański, indonezyjski, malajski, tajski i wietnamski. Przełączanie języków obejmuje naturalne zmiany między nimi, w tym mieszanki takie jak Hinglish czy Spanglish. Interfejs producenta przyjmuje także pojedynczą wskazówkę językową, którą opisuje jako silną instrukcję. Stosuj ją tylko wtedy, gdy nagranie jest rzeczywiście w określonym języku, zamiast wymuszać jeden oczekiwany język w rozmowie wielojęzycznej. Wskazówki słów kluczowych dostarczają terminów dziedzinowych, skrótów, nazw produktów i nazw własnych, które inaczej mogłyby być trudne do rozróżnienia na podstawie dźwięku. Przygotuj skoncentrowaną listę związaną z nagraniem, na przykład nazwę projektu, linię produktów lub terminy techniczne używane w dyskusji. Przewodnik obsługi opisuje je jako wskazówki rozpoznawania, a nie wymuszone dopasowania. Dla wykładu technicznego dołącz dokładną pisownię nazwanych przyrządów i terminów specjalistycznych, a potem sprawdź, czy transkrypcja umieszcza je tam, gdzie rzeczywiście zostały wypowiedziane. Dostarczony termin nie jest dowodem jego użycia przez mówcę. Wybierz styl wyjścia według zamierzonego rezultatu. Verbatim, udokumentowany styl domyślny, zachowuje wypełniacze, nieudane początki wypowiedzi i samopoprawki. Clean usuwa niepłynności, tworząc czytelniejszą transkrypcję. Zapis służący badaniu przebiegu rozmowy może zachowywać zawahania i poprawki; czytelna transkrypcja lekcji może używać oczyszczonego brzmienia. Zachowuj oryginalne audio przy obu wynikach. Oczyszczanie poprawia prezentację tekstu mówionego i nie powinno być traktowane jako osobne streszczenie ani nowa interpretacja intencji mówcy. Diaryzacja mówców rozdziela tury według wykrytego mówcy, a znaczniki czasu na poziomie słów dostarczają przesunięcia i czasu trwania każdego słowa. Interfejs obsługi oferuje również czasowanie segmentów lub brak czasowania. Segmenty dzielone są według języka, a przy włączonej diaryzacji także według mówcy. Pola czasowe używają milisekund i mogą wspierać nawigację, wyszukiwanie i edycję. Oznaczenia rozróżniają wykrytych mówców; powiązanie oznaczenia z imieniem uczestnika jest osobnym etapem weryfikacji. Dla napisów wykorzystuj sprawdzone czasy słów do przygotowania czytelnych grup kwestii, zamiast zakładać, że wynik rozpoznawania jest już gotowym plikiem napisów. Karta modelu podaje maksymalny rozmiar pliku 300 MB i dwie godziny. Powiązana synchroniczna referencja REST dla udokumentowanego interfejsu 2025-10-15 wymaga natomiast pliku mniejszego niż 250 MB i krótszego niż dwie godziny. Są to odrębne opublikowane ograniczenia karty modelu i obsługi; przygotuj plik mieszczący się w obowiązującym limicie interfejsu. Przewodnik MAI podaje również, że diaryzacja obsługuje krótsze nagrania niż transkrypcja bez diaryzacji. Długi materiał z wieloma mówcami porządkuj w spójne sekcje, gdy potrzebne jest przypisanie mówców, i zachowuj pozycję sekcji w oryginalnym nagraniu do późniejszej kontroli. Udokumentowane wyjście to strukturalne dane transkrypcji: pełny tekst, frazy i, na żądanie, informacje o mówcach oraz czasowaniu. Fraza może zawierać tekst, język, przesunięcie i czas trwania; czasowanie słów może wiązać rozpoznane słowo z dźwiękiem. Dla przeszukiwalnego archiwum zachowuj te zależności, aby znaleziony termin prowadził z powrotem do nagrania. W procesie spotkania sprawdzona transkrypcja staje się wejściem do późniejszego streszczania lub ekstrakcji działań do wykonania. Wynikiem modelu mowy jest rozpoznana treść, a nie niezależnie zweryfikowany zapis decyzji spotkania. Rozróżnienie wersji jest konkretne. MAI-Transcribe 1.5 obejmuje 43 języki, natomiast ta edycja obejmuje 60 i dodaje udokumentowane ustawienia diaryzacji, znaczników czasu słów oraz clean/verbatim. MAI-Transcribe 2 Streaming to odrębny model do przyrostowej transkrypcji w czasie rzeczywistym z własnym zestawem funkcji; jego opóźnienie pierwszego wyniku częściowego nie opisuje tej edycji do nagrań. Sprawdzaj transkrypcję względem audio pod kątem nazw, liczb, tur mówców i fragmentów mieszających języki przed użyciem jej jako źródła napisów, cytatów lub dokumentu pochodnego. **Ailoot Ultra · Transkrypcja** `POST /v1/audio/transcriptions` `microsoft/mai-transcribe-2` [`microsoft/mai-transcribe-2`](https://ailoot.ai/models/pl/#m=microsoft%2Fmai-transcribe-2&route=Ultra&caller=microsoft%2Fmai-transcribe-2&fmt=transcriptions) Microsoft AI /`microsoft/mai-transcribe-2` ### Start Microsoft AI MAI-Transcribe 2 zamienia nagraną mowę na tekst w 60 językach, z automatyczną identyfikacją języka i obsługą przełączania języków. Dodaje diaryzację mówców, czasowanie słów, wskazówki słów kluczowych oraz styl oczyszczony lub dosłowny do zapisów spotkań, napisów, przeszukiwalnego audio i specjalistycznego dyktowania. Akceptowane dane wejściowe Audio Wyniki Tekst ### Dostępne w Ailoot · dane wejściowe i metody **Ailoot Ultra · Transkrypcja** `POST /v1/audio/transcriptions` Wejście `audio` Wyjście `text` | Pole | Typ | Wymaganie | Wartości i limity | Domyślnie | | --- | --- | --- | --- | --- | | Pole`model` | Typ`string` | WymaganieWymagane | Wartości i limity microsoft/mai-transcribe-2 | Domyślnie— | | Pole`input_audio` | Typ`object` | WymaganieWymagane | Wartości i limity | Domyślnie— | | Pole`language` | Typ`string` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | | Pole`temperature` | Typ`number` | WymaganieOpcjonalne | Wartości i limity Minimum: 0 Maksimum: 1 | Domyślnie— | | Pole`response_format` | Typ`string` | WymaganieOpcjonalne | Wartości i limity json, verbose\_json | Domyślniejson | | Pole`timestamp_granularities` | Typ`array` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | | Pole`provider` | Typ`object` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | Parametry i cykl życia metody | Parametr | Kontrakt | | --- | --- | | Parametr`content_type` | Kontraktapplication/json | | Parametr`required` | Kontraktmodel, input\_audio | | Parametr`material_types` | Kontraktaudio | | Parametr`material_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}` ### Cennik ##### Jak obliczana jest ostateczna opłata 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. Tryb szybki Nie określono Gdy wybrany jest tryb szybki Tryb flex Nie określono Gdy wybrany jest tryb flex Maksymalna intensywność rozumowania Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default) #### Szacunkowe stawki do porównania #### Ceny według konfiguracji 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 **$0.2** 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 **$0.00005555555555555556** szacunek przed generowaniem Ten szacunek nie jest dodatkową opłatą ani stałą stawką za ukończone generowanie. | Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. [Jak działają rezerwacja i rozliczenie →](https://ailoot.ai/docs/pl/billing/reserve/) ### Przykładowe żądania #### Ailoot Ultra · Transkrypcja curl · natywna treść żądania w dokładnej postaci i kompletny wynik ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path import base64 audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes() if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file') if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow') request={'model': 'microsoft/mai-transcribe-2', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}} request['input_audio']['data']=base64.b64encode(audio).decode('ascii') Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8') PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o response.bin # Keep the complete original response and headers. Read every returned segment, word and usage field. # Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting. ``` ### Odbieranie i zapisywanie wyników #### Ailoot Ultra · Transkrypcja - `GET /v1/media/tasks/{task_id}` - `GET /v1/media/assets/{asset_id}/content` - `GET /v1/media/assets` - `GET /v1/media/assets/{asset_id}` Inne odczyty treści Odczytaj istniejące zasoby należące do Ciebie ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \ -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json # Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token. ``` ##### Zachowaj wszystkie ukończone wyniki Zachowaj 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. ##### Jeśli trzeba sprawdzić pierwotną odpowiedź 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. Pola odpowiedzi | Pole | Typ | | --- | --- | | Pole`text` | Typ | | Pole`usage` | Typ | | Pole`segments[]` | Typ | | Pole`words[]` | Typ | | Pole`speaker fields` | Typ | | Pole`timestamps` | Typ | ### Aliasy #### Aliasy modelu **Ailoot Ultra** [`microsoft/mai-transcribe-2`](https://ailoot.ai/models/pl/#m=microsoft%2Fmai-transcribe-2&route=Ultra&caller=microsoft%2Fmai-transcribe-2&fmt=transcriptions) #### Aliasy ścieżek metod Użyj ścieżek metod podanych powyżej. #### Powiązane ID modeli [`microsoft/mai-transcribe-2`](https://ailoot.ai/models/pl/#m=microsoft%2Fmai-transcribe-2&route=Ultra&caller=microsoft%2Fmai-transcribe-2&fmt=transcriptions) FAQ · Microsoft AI: MAI-Transcribe 2 Jakie dane wejściowe i wyniki są dostępne? `POST /v1/audio/transcriptions` · `microsoft/mai-transcribe-2`: `audio` → `text` Jakich pól używa żądanie? `POST /v1/audio/transcriptions` · `microsoft/mai-transcribe-2`: `model`, `input_audio`, `language`, `temperature`, `response_format`, `timestamp_granularities`, `provider` Jakie limity obowiązują? `POST /v1/audio/transcriptions` · `microsoft/mai-transcribe-2`: `temperature.minimum`: `0`; `temperature.maximum`: `1` Połącz Ailoot z Claude Code, OpenCode, Hermes albo własną aplikacją. ## Firma i jej portfel projektów Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. ## Kupuj tokeny z rabatem. Rabat subskrypcji do regularnej pracy. Kody promocyjne — do 50% na tokeny. Subskrypcja Wybierz plan z rabatem do regularnych żądań. Kod promocyjny do 50% Wpisz kod przy zakupie. Cena zostanie przeliczona według aktualnej promocji. Koszty w historii Model, tokeny i kwota są zapisywane dla każdego żądania. [Wybierz subskrypcję](https://ailoot.ai/docs/pl/billing/subscriptions/) · [Sprawdź ceny modeli](https://ailoot.ai/models/pl/) ## Połącz API z produktem, który sprzedajesz. SaaS, aplikacje i boty na warunkach oferty i umowy licencyjnej Ailoot. Do odsprzedaży poproś o licencję resellerską. Aplikacja komercyjna Wbuduj generowanie tekstu, obrazów, wideo i dźwięku w płatne funkcje usługi. Licencja resellerska Prześlij opis projektu i schemat dostępu. Poproś o pisemne warunki używania i odsprzedaży. Dokumenty na stronie Oferta, umowa licencyjna i polityka przetwarzania danych są dostępne przed połączeniem. [Poproś o licencję resellerską](mailto:support@ailoot.ai) · [Oferta i umowa licencyjna](https://ailoot.ai/legal/offer?lang=pl) ## Ailoot · Firma i jej portfel projektów Ailoot opiera się na zgromadzonym doświadczeniu operacyjnym, szerokiej bazie klientów, stabilnej usłudze i stałej kontroli KPI. Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. Ailoot wykorzystuje to doświadczenie operacyjne, zapewniając dostęp przez API do funkcji AI w produktach klientów, agentach, aplikacjach i automatyzacjach.