Microsoft AI MAI-Transcribe 2 é a edição de conversão de voz em texto para áudio gravado da família de transcrição de segunda geração da Microsoft. Converte conteúdo falado em texto escrito em 60 idiomas, com identificação automática do idioma e suporte de fala com alternância entre idiomas. O modelo acrescenta diarização de intervenientes, temporização ao nível da palavra e estilos de transcrição selecionáveis. Os resultados úteis incluem uma transcrição de reunião com atribuição de intervenientes, um registo pesquisável de entrevista, dados de alinhamento de legendas ou ditado conferido com terminologia especializada.
Prepare a gravação preservando o material falado. O fabricante indica entradas WAV, MP3 e FLAC. Mantenha o áudio original disponível para comparar palavras incertas, nomes e números com o texto reconhecido. Uma gravação pode conter ruído de fundo ou qualidade variável do microfone, situações para as quais o modelo foi concebido, mas a revisão deve continuar a concentrar-se em passagens pouco claras ou sobrepostas. Para uma entrevista, preserve a sequência de turnos e pausas, em vez de remover o contexto que ajuda a interpretar uma resposta.
A deteção automática do idioma é útil quando o idioma não é conhecido antecipadamente. O conjunto documentado de 60 idiomas inclui inglês, russo, chinês, japonês, coreano, árabe, francês, alemão, espanhol, indonésio, malaio, tailandês e vietnamita. A alternância linguística abrange mudanças naturais entre idiomas, incluindo combinações como Hinglish ou Spanglish. A interface do fabricante aceita também uma única indicação de idioma, descrita como uma instrução forte. Utilize-a apenas quando a gravação estiver efetivamente no idioma especificado, em vez de forçar uma conversa multilingue a corresponder a um único idioma esperado.
O favorecimento de palavras-chave fornece termos específicos de um domínio, abreviaturas, nomes de produtos e nomes próprios que, de outra forma, podem ser difíceis de distinguir a partir do som. Prepare uma lista focada relacionada com a gravação, como o nome do projeto, uma linha de produtos ou palavras técnicas utilizadas na discussão. O guia de disponibilização descreve-as como indicações para reconhecimento, em vez de correspondências forçadas. Para uma aula técnica, inclua a grafia exata dos instrumentos identificados e termos especializados e confira depois se a transcrição os coloca onde foram efetivamente pronunciados. Um termo fornecido não é evidência de que o interveniente o tenha dito.
Escolha o estilo de saída em função do resultado pretendido. Verbatim, a predefinição documentada, preserva palavras de preenchimento, falsos começos e autocorreções. Clean remove disfluências para obter uma transcrição mais legível. Um registo utilizado para examinar o desenrolar de uma conversa pode preservar a hesitação e a correção; uma transcrição legível de uma aula pode utilizar a formulação depurada. Mantenha o áudio original junto de qualquer dos resultados. A depuração melhora a apresentação do texto falado e não deve ser tratada como um resumo separado ou uma nova interpretação do significado pretendido pelo interveniente.
A diarização distingue os turnos por interveniente detetado e as marcas temporais ao nível da palavra fornecem um desvio temporal e uma duração para cada palavra. A interface de disponibilização oferece também temporização por segmento ou ausência de temporização. Os segmentos são divididos por idioma e, quando a diarização está ativada, por interveniente. Os campos de tempo utilizam milissegundos e podem suportar navegação, pesquisa e edição. Os rótulos distinguem intervenientes detetados; associar um rótulo ao nome de um participante é uma etapa separada de revisão. Para legendas, utilize tempos de palavras conferidos para preparar grupos legíveis, em vez de pressupor que o resultado do reconhecimento já é um ficheiro de legendas acabado.
A ficha do modelo indica um tamanho máximo de ficheiro de 300 MB e uma duração máxima de duas horas. Em contrapartida, a referência REST síncrona associada para a interface documentada 2025-10-15 exige um ficheiro inferior a 250 MB e com menos de duas horas. Estas são restrições publicadas distintas da ficha do modelo e do serviço; prepare um ficheiro dentro do limite de disponibilização aplicável. O guia MAI indica também que a diarização suporta gravações mais curtas do que a transcrição sem diarização. Organize material longo com vários intervenientes em secções coerentes quando for necessária atribuição de intervenientes e preserve a posição da secção na gravação original para revisão posterior.
A saída documentada são dados de transcrição estruturados: o texto integral, frases e, quando solicitadas, informações de intervenientes e temporização. Uma frase pode incluir o seu texto, idioma, desvio temporal e duração; a temporização de palavras pode ligar uma palavra reconhecida ao áudio. Para um arquivo pesquisável, preserve essas relações para que um termo encontrado permita regressar à gravação. Num fluxo de reuniões, uma transcrição conferida torna-se entrada para resumo posterior ou extração de ações a executar. O resultado do modelo de voz é o conteúdo reconhecido, em vez de um relato verificado de forma independente das decisões da reunião.
A distinção de versão é concreta. MAI-Transcribe 1.5 abrange 43 idiomas, enquanto esta edição abrange 60 e acrescenta os controlos documentados de diarização, marcas temporais de palavras e estilos clean/verbatim. MAI-Transcribe 2 Streaming é um modelo separado para transcrição incremental em tempo real, com o seu próprio conjunto de funcionalidades; a latência até ao primeiro resultado parcial não descreve esta edição de áudio gravado. Confira a transcrição com o áudio quanto a nomes, números, turnos de intervenientes e passagens com mistura de idiomas antes de a utilizar como fonte para legendas, citações ou um documento derivado.
", "aboutText": "Microsoft AI MAI-Transcribe 2 é a edição de conversão de voz em texto para áudio gravado da família de transcrição de segunda geração da Microsoft. Converte conteúdo falado em texto escrito em 60 idiomas, com identificação automática do idioma e suporte de fala com alternância entre idiomas. O modelo acrescenta diarização de intervenientes, temporização ao nível da palavra e estilos de transcrição selecionáveis. Os resultados úteis incluem uma transcrição de reunião com atribuição de intervenientes, um registo pesquisável de entrevista, dados de alinhamento de legendas ou ditado conferido com terminologia especializada.\n\nPrepare a gravação preservando o material falado. O fabricante indica entradas WAV, MP3 e FLAC. Mantenha o áudio original disponível para comparar palavras incertas, nomes e números com o texto reconhecido. Uma gravação pode conter ruído de fundo ou qualidade variável do microfone, situações para as quais o modelo foi concebido, mas a revisão deve continuar a concentrar-se em passagens pouco claras ou sobrepostas. Para uma entrevista, preserve a sequência de turnos e pausas, em vez de remover o contexto que ajuda a interpretar uma resposta.\n\nA deteção automática do idioma é útil quando o idioma não é conhecido antecipadamente. O conjunto documentado de 60 idiomas inclui inglês, russo, chinês, japonês, coreano, árabe, francês, alemão, espanhol, indonésio, malaio, tailandês e vietnamita. A alternância linguística abrange mudanças naturais entre idiomas, incluindo combinações como Hinglish ou Spanglish. A interface do fabricante aceita também uma única indicação de idioma, descrita como uma instrução forte. Utilize-a apenas quando a gravação estiver efetivamente no idioma especificado, em vez de forçar uma conversa multilingue a corresponder a um único idioma esperado.\n\nO favorecimento de palavras-chave fornece termos específicos de um domínio, abreviaturas, nomes de produtos e nomes próprios que, de outra forma, podem ser difíceis de distinguir a partir do som. Prepare uma lista focada relacionada com a gravação, como o nome do projeto, uma linha de produtos ou palavras técnicas utilizadas na discussão. O guia de disponibilização descreve-as como indicações para reconhecimento, em vez de correspondências forçadas. Para uma aula técnica, inclua a grafia exata dos instrumentos identificados e termos especializados e confira depois se a transcrição os coloca onde foram efetivamente pronunciados. Um termo fornecido não é evidência de que o interveniente o tenha dito.\n\nEscolha o estilo de saída em função do resultado pretendido. Verbatim, a predefinição documentada, preserva palavras de preenchimento, falsos começos e autocorreções. Clean remove disfluências para obter uma transcrição mais legível. Um registo utilizado para examinar o desenrolar de uma conversa pode preservar a hesitação e a correção; uma transcrição legível de uma aula pode utilizar a formulação depurada. Mantenha o áudio original junto de qualquer dos resultados. A depuração melhora a apresentação do texto falado e não deve ser tratada como um resumo separado ou uma nova interpretação do significado pretendido pelo interveniente.\n\nA diarização distingue os turnos por interveniente detetado e as marcas temporais ao nível da palavra fornecem um desvio temporal e uma duração para cada palavra. A interface de disponibilização oferece também temporização por segmento ou ausência de temporização. Os segmentos são divididos por idioma e, quando a diarização está ativada, por interveniente. Os campos de tempo utilizam milissegundos e podem suportar navegação, pesquisa e edição. Os rótulos distinguem intervenientes detetados; associar um rótulo ao nome de um participante é uma etapa separada de revisão. Para legendas, utilize tempos de palavras conferidos para preparar grupos legíveis, em vez de pressupor que o resultado do reconhecimento já é um ficheiro de legendas acabado.\n\nA ficha do modelo indica um tamanho máximo de ficheiro de 300 MB e uma duração máxima de duas horas. Em contrapartida, a referência REST síncrona associada para a interface documentada 2025-10-15 exige um ficheiro inferior a 250 MB e com menos de duas horas. Estas são restrições publicadas distintas da ficha do modelo e do serviço; prepare um ficheiro dentro do limite de disponibilização aplicável. O guia MAI indica também que a diarização suporta gravações mais curtas do que a transcrição sem diarização. Organize material longo com vários intervenientes em secções coerentes quando for necessária atribuição de intervenientes e preserve a posição da secção na gravação original para revisão posterior.\n\nA saída documentada são dados de transcrição estruturados: o texto integral, frases e, quando solicitadas, informações de intervenientes e temporização. Uma frase pode incluir o seu texto, idioma, desvio temporal e duração; a temporização de palavras pode ligar uma palavra reconhecida ao áudio. Para um arquivo pesquisável, preserve essas relações para que um termo encontrado permita regressar à gravação. Num fluxo de reuniões, uma transcrição conferida torna-se entrada para resumo posterior ou extração de ações a executar. O resultado do modelo de voz é o conteúdo reconhecido, em vez de um relato verificado de forma independente das decisões da reunião.\n\nA distinção de versão é concreta. MAI-Transcribe 1.5 abrange 43 idiomas, enquanto esta edição abrange 60 e acrescenta os controlos documentados de diarização, marcas temporais de palavras e estilos clean/verbatim. MAI-Transcribe 2 Streaming é um modelo separado para transcrição incremental em tempo real, com o seu próprio conjunto de funcionalidades; a latência até ao primeiro resultado parcial não descreve esta edição de áudio gravado. Confira a transcrição com o áudio quanto a nomes, números, turnos de intervenientes e passagens com mistura de idiomas antes de a utilizar como fonte para legendas, citações ou um documento derivado.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "791f9259c56e0d5353cfca1c75381ba3c5f60f367c10c29551c5c841a23c4bbd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "microsoft/mai-transcribe-2Microsoft AI MAI-Transcribe 2 transforma fala gravada em texto em 60 idiomas, com identificação automática do idioma e alternância linguística. Acrescenta diarização de intervenientes, temporização de palavras, favorecimento de palavras-chave e estilos clean ou verbatim para registos de reuniões, legendas, áudio pesquisável e ditado especializado.
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 2 é a edição de conversão de voz em texto para áudio gravado da família de transcrição de segunda geração da Microsoft. Converte conteúdo falado em texto escrito em 60 idiomas, com identificação automática do idioma e suporte de fala com alternância entre idiomas. O modelo acrescenta diarização de intervenientes, temporização ao nível da palavra e estilos de transcrição selecionáveis. Os resultados úteis incluem uma transcrição de reunião com atribuição de intervenientes, um registo pesquisável de entrevista, dados de alinhamento de legendas ou ditado conferido com terminologia especializada.
Prepare a gravação preservando o material falado. O fabricante indica entradas WAV, MP3 e FLAC. Mantenha o áudio original disponível para comparar palavras incertas, nomes e números com o texto reconhecido. Uma gravação pode conter ruído de fundo ou qualidade variável do microfone, situações para as quais o modelo foi concebido, mas a revisão deve continuar a concentrar-se em passagens pouco claras ou sobrepostas. Para uma entrevista, preserve a sequência de turnos e pausas, em vez de remover o contexto que ajuda a interpretar uma resposta.
A deteção automática do idioma é útil quando o idioma não é conhecido antecipadamente. O conjunto documentado de 60 idiomas inclui inglês, russo, chinês, japonês, coreano, árabe, francês, alemão, espanhol, indonésio, malaio, tailandês e vietnamita. A alternância linguística abrange mudanças naturais entre idiomas, incluindo combinações como Hinglish ou Spanglish. A interface do fabricante aceita também uma única indicação de idioma, descrita como uma instrução forte. Utilize-a apenas quando a gravação estiver efetivamente no idioma especificado, em vez de forçar uma conversa multilingue a corresponder a um único idioma esperado.
O favorecimento de palavras-chave fornece termos específicos de um domínio, abreviaturas, nomes de produtos e nomes próprios que, de outra forma, podem ser difíceis de distinguir a partir do som. Prepare uma lista focada relacionada com a gravação, como o nome do projeto, uma linha de produtos ou palavras técnicas utilizadas na discussão. O guia de disponibilização descreve-as como indicações para reconhecimento, em vez de correspondências forçadas. Para uma aula técnica, inclua a grafia exata dos instrumentos identificados e termos especializados e confira depois se a transcrição os coloca onde foram efetivamente pronunciados. Um termo fornecido não é evidência de que o interveniente o tenha dito.
Escolha o estilo de saída em função do resultado pretendido. Verbatim, a predefinição documentada, preserva palavras de preenchimento, falsos começos e autocorreções. Clean remove disfluências para obter uma transcrição mais legível. Um registo utilizado para examinar o desenrolar de uma conversa pode preservar a hesitação e a correção; uma transcrição legível de uma aula pode utilizar a formulação depurada. Mantenha o áudio original junto de qualquer dos resultados. A depuração melhora a apresentação do texto falado e não deve ser tratada como um resumo separado ou uma nova interpretação do significado pretendido pelo interveniente.
A diarização distingue os turnos por interveniente detetado e as marcas temporais ao nível da palavra fornecem um desvio temporal e uma duração para cada palavra. A interface de disponibilização oferece também temporização por segmento ou ausência de temporização. Os segmentos são divididos por idioma e, quando a diarização está ativada, por interveniente. Os campos de tempo utilizam milissegundos e podem suportar navegação, pesquisa e edição. Os rótulos distinguem intervenientes detetados; associar um rótulo ao nome de um participante é uma etapa separada de revisão. Para legendas, utilize tempos de palavras conferidos para preparar grupos legíveis, em vez de pressupor que o resultado do reconhecimento já é um ficheiro de legendas acabado.
A ficha do modelo indica um tamanho máximo de ficheiro de 300 MB e uma duração máxima de duas horas. Em contrapartida, a referência REST síncrona associada para a interface documentada 2025-10-15 exige um ficheiro inferior a 250 MB e com menos de duas horas. Estas são restrições publicadas distintas da ficha do modelo e do serviço; prepare um ficheiro dentro do limite de disponibilização aplicável. O guia MAI indica também que a diarização suporta gravações mais curtas do que a transcrição sem diarização. Organize material longo com vários intervenientes em secções coerentes quando for necessária atribuição de intervenientes e preserve a posição da secção na gravação original para revisão posterior.
A saída documentada são dados de transcrição estruturados: o texto integral, frases e, quando solicitadas, informações de intervenientes e temporização. Uma frase pode incluir o seu texto, idioma, desvio temporal e duração; a temporização de palavras pode ligar uma palavra reconhecida ao áudio. Para um arquivo pesquisável, preserve essas relações para que um termo encontrado permita regressar à gravação. Num fluxo de reuniões, uma transcrição conferida torna-se entrada para resumo posterior ou extração de ações a executar. O resultado do modelo de voz é o conteúdo reconhecido, em vez de um relato verificado de forma independente das decisões da reunião.
A distinção de versão é concreta. MAI-Transcribe 1.5 abrange 43 idiomas, enquanto esta edição abrange 60 e acrescenta os controlos documentados de diarização, marcas temporais de palavras e estilos clean/verbatim. MAI-Transcribe 2 Streaming é um modelo separado para transcrição incremental em tempo real, com o seu próprio conjunto de funcionalidades; a latência até ao primeiro resultado parcial não descreve esta edição de áudio gravado. Confira a transcrição com o áudio quanto a nomes, números, turnos de intervenientes e passagens com mistura de idiomas antes de a utilizar como fonte para legendas, citações ou um documento derivado.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites microsoft/mai-transcribe-2 | 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 $0.2 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 $0.00005555555555555556 estimativa antes da geração Esta estimativa não é um encargo adicional nem uma tarifa fixa para a geração concluída. |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'microsoft/mai-transcribe-2', 'input_audio': {'data': '${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.\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-2
Use os caminhos dos métodos indicados acima.