Microsoft AI MAI-Transcribe 1.5 é um modelo de conversão de voz em texto para transformar áudio gravado em conteúdo escrito. A sua ficha exata descreve reconhecimento em 43 idiomas, identificação automática do idioma e robustez perante sotaques, dialetos, estilos de fala e condições de ruído. A edição alarga o conjunto de 25 idiomas de MAI-Transcribe 1 com dezoito idiomas adicionais. Um resultado útil é a fala escrita de uma aula, entrevista, chamada ou nota de voz, pronta a conferir com a gravação antes de uma etapa posterior de edição ou análise.
Prepare uma gravação completa e inteligível num dos formatos indicados pelo fabricante: WAV, MP3 ou FLAC. Mantenha o ficheiro original e qualquer divisão em secções para permitir comparar a transcrição com o áudio. Para uma aula, preserve as frases à volta de um termo técnico, em vez de extrair apenas a palavra difícil. Para uma nota de voz, preserve uma correção que altere um nome, uma hora ou um número. A fala envolvente fornece contexto para reconhecer o que foi dito e a revisão de quem escuta permite identificar onde a saída necessita de correção.
A identificação automática do idioma permite processar uma gravação sem exigir uma escolha antecipada de idioma. O conjunto de 43 idiomas inclui inglês, francês, alemão, italiano, espanhol, hindi, chinês, japonês, coreano, árabe, indonésio, russo, tailandês e vietnamita. Os idiomas acrescentados incluem búlgaro, catalão, grego, ucraniano e vários idiomas do sul da Ásia. Verifique se o idioma pretendido pertence ao conjunto desta edição, em vez de importar a cobertura mais ampla de MAI-Transcribe 2. Para coleções multilingues, preserve o idioma da gravação junto do texto revisto, para que a edição posterior respeite o conteúdo efetivamente falado.
A ficha de MAI-Transcribe 1.5 descreve favorecimento de palavras-chave ou entidades com até 200 termos e a sua apresentação explica a finalidade: disponibilizar como contexto nomes, siglas e palavras especializadas prováveis. O fabricante descreve indicações contextuais, em vez de impor cegamente palavras fornecidas ao resultado. Prepare vocabulário relevante, como o nome do projeto, um instrumento técnico ou a grafia correta do nome de uma pessoa mencionada na gravação. Utilize essa terminologia como contexto para a gravação efetiva e confira os termos reconhecidos com a fala.
Para uma aula de engenharia gravada, prepare os nomes dos instrumentos discutidos e a grafia exata de qualquer sigla de projeto. Escreva as grafias exatas numa lista de terminologia focada e mantenha a lista junto do áudio e da transcrição. Confira essas ocorrências com as passagens faladas, em vez de tratar uma entrada de vocabulário como prova de correspondência. Nomes que soam de forma semelhante podem continuar a exigir verificação. O resultado deve preservar as palavras efetivamente pronunciadas, incluindo uma correção ou ressalva que altere o seu significado.
O fabricante destaca o desempenho em áudio do mundo real, incluindo ruído de fundo e condições diversas de microfones. A revisão prática pode concentrar-se em passagens com fala simultânea, vozes fracas ou palavras parcialmente encobertas por outro som. Mantenha as incertezas ligadas à passagem de áudio correspondente, em vez de as preencher com pressupostos sobre o tema. Uma frase plausível pode continuar a conter o nome próprio ou número errado. Para uma transcrição de chamada, o resultado útil é um registo conferido do conteúdo falado que uma análise posterior possa utilizar, em vez de um relato adivinhado da intenção de quem ligou.
A ficha exata de MAI-Transcribe 1.5 indica um tamanho máximo de ficheiro de 300 MB e uma duração máxima de duas horas. A referência REST síncrona de transcrição associada descreve uma entrada de serviço mais restrita: inferior a 250 MB e com menos de duas horas. Estes são limites indicados separadamente na ficha do modelo e na interface. Prepare ficheiros dentro do limite da interface pretendida e organize material mais longo em divisões significativas da gravação. Um limite de tamanho de ficheiro diz respeito ao áudio codificado, enquanto o limite de duração diz respeito ao comprimento da gravação de voz; nenhum define uma janela de contexto de modelo de texto.
O exemplo de saída da ficha é JSON que contém a duração da gravação e o texto reconhecido combinado. O texto pode tornar-se uma transcrição acessível, um guião para legendas ou uma entrada para resumo e pesquisa posteriores. O agrupamento de legendas e o alinhamento com a gravação são preparações separadas quando o resultado não inclui os dados de temporização necessários. Para registos de entrevistas, atribuir uma fala a um participante identificado exige um registo separado e conferido de quem falou. Preserve a formulação reconhecida e o áudio como base para esses resultados posteriores.
Os limites da edição são importantes ao planear a saída. A ficha 1.5 coloca explicitamente a diarização de intervenientes fora das capacidades suportadas e a comparação de versões do fabricante atribui marcas temporais ao nível da palavra e controlos de estilo clean/verbatim a MAI-Transcribe 2. Um modelo nativo de transmissão em fluxo é também uma edição separada. Assim, este perfil 1.5 centra-se em texto reconhecido de gravações e no seu contexto de domínio documentado, sem transformar funcionalidades de intervenientes, temporização ou entrada em direto de outra edição em parte do resultado. Reveja nomes, números, termos técnicos e fala pouco clara antes de preparar uma passagem citada, uma faixa de legendas ou um documento derivado.
", "aboutText": "Microsoft AI MAI-Transcribe 1.5 é um modelo de conversão de voz em texto para transformar áudio gravado em conteúdo escrito. A sua ficha exata descreve reconhecimento em 43 idiomas, identificação automática do idioma e robustez perante sotaques, dialetos, estilos de fala e condições de ruído. A edição alarga o conjunto de 25 idiomas de MAI-Transcribe 1 com dezoito idiomas adicionais. Um resultado útil é a fala escrita de uma aula, entrevista, chamada ou nota de voz, pronta a conferir com a gravação antes de uma etapa posterior de edição ou análise.\n\nPrepare uma gravação completa e inteligível num dos formatos indicados pelo fabricante: WAV, MP3 ou FLAC. Mantenha o ficheiro original e qualquer divisão em secções para permitir comparar a transcrição com o áudio. Para uma aula, preserve as frases à volta de um termo técnico, em vez de extrair apenas a palavra difícil. Para uma nota de voz, preserve uma correção que altere um nome, uma hora ou um número. A fala envolvente fornece contexto para reconhecer o que foi dito e a revisão de quem escuta permite identificar onde a saída necessita de correção.\n\nA identificação automática do idioma permite processar uma gravação sem exigir uma escolha antecipada de idioma. O conjunto de 43 idiomas inclui inglês, francês, alemão, italiano, espanhol, hindi, chinês, japonês, coreano, árabe, indonésio, russo, tailandês e vietnamita. Os idiomas acrescentados incluem búlgaro, catalão, grego, ucraniano e vários idiomas do sul da Ásia. Verifique se o idioma pretendido pertence ao conjunto desta edição, em vez de importar a cobertura mais ampla de MAI-Transcribe 2. Para coleções multilingues, preserve o idioma da gravação junto do texto revisto, para que a edição posterior respeite o conteúdo efetivamente falado.\n\nA ficha de MAI-Transcribe 1.5 descreve favorecimento de palavras-chave ou entidades com até 200 termos e a sua apresentação explica a finalidade: disponibilizar como contexto nomes, siglas e palavras especializadas prováveis. O fabricante descreve indicações contextuais, em vez de impor cegamente palavras fornecidas ao resultado. Prepare vocabulário relevante, como o nome do projeto, um instrumento técnico ou a grafia correta do nome de uma pessoa mencionada na gravação. Utilize essa terminologia como contexto para a gravação efetiva e confira os termos reconhecidos com a fala.\n\nPara uma aula de engenharia gravada, prepare os nomes dos instrumentos discutidos e a grafia exata de qualquer sigla de projeto. Escreva as grafias exatas numa lista de terminologia focada e mantenha a lista junto do áudio e da transcrição. Confira essas ocorrências com as passagens faladas, em vez de tratar uma entrada de vocabulário como prova de correspondência. Nomes que soam de forma semelhante podem continuar a exigir verificação. O resultado deve preservar as palavras efetivamente pronunciadas, incluindo uma correção ou ressalva que altere o seu significado.\n\nO fabricante destaca o desempenho em áudio do mundo real, incluindo ruído de fundo e condições diversas de microfones. A revisão prática pode concentrar-se em passagens com fala simultânea, vozes fracas ou palavras parcialmente encobertas por outro som. Mantenha as incertezas ligadas à passagem de áudio correspondente, em vez de as preencher com pressupostos sobre o tema. Uma frase plausível pode continuar a conter o nome próprio ou número errado. Para uma transcrição de chamada, o resultado útil é um registo conferido do conteúdo falado que uma análise posterior possa utilizar, em vez de um relato adivinhado da intenção de quem ligou.\n\nA ficha exata de MAI-Transcribe 1.5 indica um tamanho máximo de ficheiro de 300 MB e uma duração máxima de duas horas. A referência REST síncrona de transcrição associada descreve uma entrada de serviço mais restrita: inferior a 250 MB e com menos de duas horas. Estes são limites indicados separadamente na ficha do modelo e na interface. Prepare ficheiros dentro do limite da interface pretendida e organize material mais longo em divisões significativas da gravação. Um limite de tamanho de ficheiro diz respeito ao áudio codificado, enquanto o limite de duração diz respeito ao comprimento da gravação de voz; nenhum define uma janela de contexto de modelo de texto.\n\nO exemplo de saída da ficha é JSON que contém a duração da gravação e o texto reconhecido combinado. O texto pode tornar-se uma transcrição acessível, um guião para legendas ou uma entrada para resumo e pesquisa posteriores. O agrupamento de legendas e o alinhamento com a gravação são preparações separadas quando o resultado não inclui os dados de temporização necessários. Para registos de entrevistas, atribuir uma fala a um participante identificado exige um registo separado e conferido de quem falou. Preserve a formulação reconhecida e o áudio como base para esses resultados posteriores.\n\nOs limites da edição são importantes ao planear a saída. A ficha 1.5 coloca explicitamente a diarização de intervenientes fora das capacidades suportadas e a comparação de versões do fabricante atribui marcas temporais ao nível da palavra e controlos de estilo clean/verbatim a MAI-Transcribe 2. Um modelo nativo de transmissão em fluxo é também uma edição separada. Assim, este perfil 1.5 centra-se em texto reconhecido de gravações e no seu contexto de domínio documentado, sem transformar funcionalidades de intervenientes, temporização ou entrada em direto de outra edição em parte do resultado. Reveja nomes, números, termos técnicos e fala pouco clara antes de preparar uma passagem citada, uma faixa de legendas ou um documento derivado.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "733827b0492303a18ccaf35025a488d532c2afdeea99ecb36f14e0d93c0b0b17", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "microsoft/mai-transcribe-1.5Microsoft AI MAI-Transcribe 1.5 converte fala gravada em texto em 43 idiomas, com identificação automática do idioma e ênfase em sotaques e áudio com ruído. A ficha do modelo descreve favorecimento de palavras-chave adaptado ao domínio para nomes e termos especializados. Utilize a transcrição como base para notas ou legendas conferidas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Microsoft AI MAI-Transcribe 1.5 é um modelo de conversão de voz em texto para transformar áudio gravado em conteúdo escrito. A sua ficha exata descreve reconhecimento em 43 idiomas, identificação automática do idioma e robustez perante sotaques, dialetos, estilos de fala e condições de ruído. A edição alarga o conjunto de 25 idiomas de MAI-Transcribe 1 com dezoito idiomas adicionais. Um resultado útil é a fala escrita de uma aula, entrevista, chamada ou nota de voz, pronta a conferir com a gravação antes de uma etapa posterior de edição ou análise.
Prepare uma gravação completa e inteligível num dos formatos indicados pelo fabricante: WAV, MP3 ou FLAC. Mantenha o ficheiro original e qualquer divisão em secções para permitir comparar a transcrição com o áudio. Para uma aula, preserve as frases à volta de um termo técnico, em vez de extrair apenas a palavra difícil. Para uma nota de voz, preserve uma correção que altere um nome, uma hora ou um número. A fala envolvente fornece contexto para reconhecer o que foi dito e a revisão de quem escuta permite identificar onde a saída necessita de correção.
A identificação automática do idioma permite processar uma gravação sem exigir uma escolha antecipada de idioma. O conjunto de 43 idiomas inclui inglês, francês, alemão, italiano, espanhol, hindi, chinês, japonês, coreano, árabe, indonésio, russo, tailandês e vietnamita. Os idiomas acrescentados incluem búlgaro, catalão, grego, ucraniano e vários idiomas do sul da Ásia. Verifique se o idioma pretendido pertence ao conjunto desta edição, em vez de importar a cobertura mais ampla de MAI-Transcribe 2. Para coleções multilingues, preserve o idioma da gravação junto do texto revisto, para que a edição posterior respeite o conteúdo efetivamente falado.
A ficha de MAI-Transcribe 1.5 descreve favorecimento de palavras-chave ou entidades com até 200 termos e a sua apresentação explica a finalidade: disponibilizar como contexto nomes, siglas e palavras especializadas prováveis. O fabricante descreve indicações contextuais, em vez de impor cegamente palavras fornecidas ao resultado. Prepare vocabulário relevante, como o nome do projeto, um instrumento técnico ou a grafia correta do nome de uma pessoa mencionada na gravação. Utilize essa terminologia como contexto para a gravação efetiva e confira os termos reconhecidos com a fala.
Para uma aula de engenharia gravada, prepare os nomes dos instrumentos discutidos e a grafia exata de qualquer sigla de projeto. Escreva as grafias exatas numa lista de terminologia focada e mantenha a lista junto do áudio e da transcrição. Confira essas ocorrências com as passagens faladas, em vez de tratar uma entrada de vocabulário como prova de correspondência. Nomes que soam de forma semelhante podem continuar a exigir verificação. O resultado deve preservar as palavras efetivamente pronunciadas, incluindo uma correção ou ressalva que altere o seu significado.
O fabricante destaca o desempenho em áudio do mundo real, incluindo ruído de fundo e condições diversas de microfones. A revisão prática pode concentrar-se em passagens com fala simultânea, vozes fracas ou palavras parcialmente encobertas por outro som. Mantenha as incertezas ligadas à passagem de áudio correspondente, em vez de as preencher com pressupostos sobre o tema. Uma frase plausível pode continuar a conter o nome próprio ou número errado. Para uma transcrição de chamada, o resultado útil é um registo conferido do conteúdo falado que uma análise posterior possa utilizar, em vez de um relato adivinhado da intenção de quem ligou.
A ficha exata de MAI-Transcribe 1.5 indica um tamanho máximo de ficheiro de 300 MB e uma duração máxima de duas horas. A referência REST síncrona de transcrição associada descreve uma entrada de serviço mais restrita: inferior a 250 MB e com menos de duas horas. Estes são limites indicados separadamente na ficha do modelo e na interface. Prepare ficheiros dentro do limite da interface pretendida e organize material mais longo em divisões significativas da gravação. Um limite de tamanho de ficheiro diz respeito ao áudio codificado, enquanto o limite de duração diz respeito ao comprimento da gravação de voz; nenhum define uma janela de contexto de modelo de texto.
O exemplo de saída da ficha é JSON que contém a duração da gravação e o texto reconhecido combinado. O texto pode tornar-se uma transcrição acessível, um guião para legendas ou uma entrada para resumo e pesquisa posteriores. O agrupamento de legendas e o alinhamento com a gravação são preparações separadas quando o resultado não inclui os dados de temporização necessários. Para registos de entrevistas, atribuir uma fala a um participante identificado exige um registo separado e conferido de quem falou. Preserve a formulação reconhecida e o áudio como base para esses resultados posteriores.
Os limites da edição são importantes ao planear a saída. A ficha 1.5 coloca explicitamente a diarização de intervenientes fora das capacidades suportadas e a comparação de versões do fabricante atribui marcas temporais ao nível da palavra e controlos de estilo clean/verbatim a MAI-Transcribe 2. Um modelo nativo de transmissão em fluxo é também uma edição separada. Assim, este perfil 1.5 centra-se em texto reconhecido de gravações e no seu contexto de domínio documentado, sem transformar funcionalidades de intervenientes, temporização ou entrada em direto de outra edição em parte do resultado. Reveja nomes, números, termos técnicos e fala pouco clara antes de preparar uma passagem citada, uma faixa de legendas ou um documento derivado.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites microsoft/mai-transcribe-1.5 | Predefinição— |
Campoinput_audio | Tipoobject | RequisitoObrigatório | Valores e limites | Predefinição— |
Campolanguage | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Mínimo: 0 Máximo: 1 | Predefinição— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites json, verbose_json | Predefiniçãojson |
Campotimestamp_granularities | Tipoarray | RequisitoOpcional | Valores e limites | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input_audio |
Parâmetromaterial_types | Contratoaudio |
Parâmetromaterial_conditions | ContratoLeia um ficheiro WAV real e codifique os respetivos bytes reais para a entrada JSON input_audio declarada; não é anunciada qualquer rota multipart para esta declaração exata apenas de JSON. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As tarifas apresentadas permitem estimar o custo antes da geração. O montante final cobrado é calculado a partir do custo registado para a geração original. A duração medida do resultado e as quantidades previstas não correspondem à quantidade final faturável.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Quantidade prevista | Unidade de faturação | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Quantidade prevista— | Unidade de faturação— | Custo Entrada · Tokens de entrada · Estimativa apenas para comparação — / 1K tokens Saída · Tokens de saída · Estimativa apenas para comparação — / 1K tokens Entrada · Leitura da cache · Estimativa apenas para comparação — / 1K tokens Entrada · Escrita na cache · Estimativa apenas para comparação — / 1K tokens Entrada · Escrita na cache, 1 hora · Estimativa apenas para comparação — / 1K tokens |
| Configuraçãohora de áudio de entrada | Tabela de tarifas— | Quantidade prevista— | Unidade de faturaçãopor hora de áudio de entrada | Custo Entrada · hora de áudio de entrada · Estimativa apenas para comparação $0.72 por hora de áudio de entrada |
| ConfiguraçãoCusto estimado de geração | Tabela de tarifas— | Quantidade previstaestimativa para uma geração | Unidade de faturação— | Custo Saída · Custo estimado de geração · Estimativa apenas para comparação $0.0002 estimativa antes da geração Esta estimativa não é um encargo adicional nem uma tarifa fixa para a geração concluída. |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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.\nGuarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve a resposta completa e os cabeçalhos, todos os resultados efetivamente produzidos, os identificadores originais devolvidos e todos os campos de utilização. Recupere a operação original sem voltar a enviar o pedido de criação.
Guarde o X-Client-Request-ID devolvido para reconciliação. Consulte apenas os valores task_id/asset_id efetivamente devolvidos ou a sua biblioteca de multimédia; nunca construa um URL de tarefa a partir do ID da operação e nunca volte a enviar o pedido de criação.
| Campo | Tipo |
|---|---|
Campotext | Tipo |
Campousage | Tipo |
Camposegments[] | Tipo |
Campowords[] | Tipo |
Campospeaker fields | Tipo |
Campotimestamps | Tipo |
Ailoot Ultra microsoft/mai-transcribe-1.5
Use os caminhos dos métodos indicados acima.