Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 prevádza zaznamenanú reč na text v 43 jazykoch s automatickou identifikáciou jazyka a dôrazom na prízvuky a zašumený zvuk. Karta modelu opisuje doménovo orientované zvýhodnenie kľúčových slov pre mená a odborné termíny. Prepis používajte ako základ skontrolovaných poznámok alebo titulkov.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions microsoft/mai-transcribe-1.5

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Microsoft AI MAI-Transcribe 1.5 je model na prevod reči zo zaznamenaného zvuku na písaný obsah. Presná karta modelu opisuje rozpoznávanie v 43 jazykoch, automatickú identifikáciu jazyka a odolnosť naprieč prízvukmi, dialektmi, štýlmi reči a hlučnými podmienkami. Edícia rozširuje 25-jazykovú množinu MAI-Transcribe 1 o osemnásť jazykov. Užitočným výsledkom je písaná reč z prednášky, rozhovoru, hovoru alebo hlasovej poznámky pripravená na kontrolu podľa nahrávky pred neskoršou úpravou či analýzou.

Pripravte úplnú zrozumiteľnú nahrávku v jednom z formátov uvedených výrobcom: WAV, MP3 alebo FLAC. Zachovajte pôvodný súbor a prípadné rozdelenie na časti, aby sa prepis dal porovnať so zvukom. Pri prednáške zachovajte frázy okolo technického termínu namiesto extrakcie iba náročného slova. Pri hlasovej poznámke zachovajte opravu meniacu meno, čas alebo číslo. Okolitá reč poskytuje kontext na rozpoznanie povedaného a kontrola poslucháča dokáže identifikovať miesta výstupu vyžadujúce opravu.

Automatická identifikácia jazyka umožňuje spracovať nahrávku bez potreby vopred vybrať jazyk. Množina 43 jazykov zahŕňa angličtinu, francúzštinu, nemčinu, taliančinu, španielčinu, hindčinu, čínštinu, japončinu, kórejčinu, arabčinu, indonézštinu, ruštinu, thajčinu a vietnamčinu. Medzi pridané jazyky patria bulharčina, katalánčina, gréčtina, ukrajinčina a viaceré juhoázijské jazyky. Overte, že zamýšľaný jazyk patrí do množiny tejto edície, namiesto preberania širšieho pokrytia MAI-Transcribe 2. Pri viacjazyčných zbierkach uchovajte jazyk nahrávky spolu so skontrolovaným textom, aby nadväzujúce úpravy sledovali skutočný hovorený obsah.

Karta modelu 1.5 opisuje zvýhodnenie kľúčových slov alebo entít s najviac 200 termínmi a vydanie vysvetľuje účel: sprístupniť pravdepodobné mená, akronymy a odborné slová ako kontext. Výrobca opisuje kontextové pomôcky, nie slepé vkladanie dodaných slov do výsledku. Pripravte relevantný slovník, napríklad názov projektu, technický prístroj alebo správny zápis mena osoby, o ktorej sa v nahrávke hovorí. Túto terminológiu používajte ako kontext skutočnej nahrávky a rozpoznané termíny kontrolujte podľa reči.

Pri zaznamenanej technickej lekcii pripravte názvy diskutovaných prístrojov a presný zápis každého projektového akronymu. Ich presné zápisy uveďte v cielenom terminologickom zozname a uchovajte ho spolu so zvukom a prepisom. Tieto výskyty kontrolujte podľa hovorených pasáží, namiesto považovania slovníkovej položky za dôkaz zhody. Podobne znejúce mená môžu stále vyžadovať kontrolu. Výsledok má zachovať skutočne vyslovené slová vrátane opravy alebo spresnenia, ktoré mení ich význam.

Výrobca zdôrazňuje výkon pri reálnom zvuku vrátane hluku pozadia a rôznych podmienok mikrofónu. Praktická kontrola sa môže sústrediť na pasáže so súčasnou rečou, slabými hlasmi alebo slovami čiastočne prekrytými iným zvukom. Neistoty prepájajte s príslušnou zvukovou pasážou namiesto ich vypĺňania predpokladmi o téme. Vierohodná veta môže stále obsahovať nesprávne vlastné meno alebo číslo. Pri prepise hovoru je užitočným výstupom skontrolovaný záznam hovoreného obsahu použiteľný pre neskoršiu analýzu, nie odhadnutý opis zámeru volajúceho.

Presná karta modelu 1.5 uvádza maximálnu veľkosť súboru 300 MB a dve hodiny. Jej prepojená referencia synchrónneho transkripčného REST opisuje prísnejší vstup obsluhy: menší než 250 MB a kratší než dve hodiny. Ide o samostatne uvedené limity karty modelu a rozhrania. Súbory pripravujte v rámci limitu zamýšľaného rozhrania a dlhší materiál rozdeľujte na zmysluplných hraniciach nahrávky. Limit veľkosti súboru sa týka zakódovaného zvuku, zatiaľ čo limit trvania sa týka dĺžky zvukovej nahrávky; ani jeden nedefinuje kontextové okno textového modelu.

Ukážkový výstup karty modelu je JSON obsahujúci trvanie nahrávky a spojený rozpoznaný text. Text sa môže stať prístupným prepisom, scenárom pre titulky alebo vstupom pre neskoršiu sumarizáciu a vyhľadávanie. Zoskupovanie titulkových blokov a zarovnanie s nahrávkou predstavujú samostatnú prípravu, keď výsledok neobsahuje požadované údaje časovania. Pri záznamoch rozhovorov vyžaduje priradenie repliky pomenovanému účastníkovi samostatný skontrolovaný záznam o tom, kto hovoril. Rozpoznané znenie a zvuk zachovajte ako základ pre tieto neskoršie výstupy.

Pri plánovaní výstupu záleží na hraniciach edície. Karta 1.5 výslovne uvádza rozlíšenie hovoriacich mimo podporovaných schopností a porovnanie verzií výrobcu priraďuje časové značky slov a ovládanie štýlov clean/verbatim modelu MAI-Transcribe 2. Natívny streamovací model je tiež samostatná edícia. Tento variant 1.5 sa preto sústreďuje na rozpoznaný text z nahrávok a jeho zdokumentovaný doménový kontext bez premeny funkcií hovoriacich, časovania alebo živého vstupu inej edície na súčasť výsledku. Pred prípravou citovanej pasáže, titulkového súboru alebo odvodeného dokumentu skontrolujte mená, čísla, odborné termíny a nejasnú reč.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions microsoft/mai-transcribe-1.5

microsoft/mai-transcribe-1.5

Microsoft AI /microsoft/mai-transcribe-1.5

Úvod

Povolené vstupy: Audio
Výsledky: Text

Dostupné v Ailoot · vstupy a metódy

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity microsoft/mai-transcribe-1.5	Predvolené—
Pole`input_audio`	Typ`object`	PožiadavkaPovinné	Hodnoty a limity	Predvolené—
Pole`language`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—
Pole`temperature`	Typ`number`	PožiadavkaVoliteľné	Hodnoty a limity Minimum: 0 Maximum: 1	Predvolené—
Pole`response_format`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity json, verbose_json	Predvolenéjson
Pole`timestamp_granularities`	Typ`array`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—
Pole`provider`	Typ`object`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciaapplication/json
Parameter`required`	Špecifikáciamodel, input_audio
Parameter`material_types`	Špecifikáciaaudio
Parameter`material_conditions`	ŠpecifikáciaNačítajte skutočný súbor WAV a zakódujte jeho reálne bajty pre deklarovaný vstup JSON input_audio; pre túto presnú deklaráciu iba s JSON sa neuvádza žiadna trasa multipart.

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutočne vrátené task_id alebo záznam v knižnici médií

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Cenník

Ako sa vypočíta konečný poplatok

Zobrazené sadzby slúžia na odhad nákladov pred generovaním. Konečný poplatok sa vypočíta z nákladov zaznamenaných pri pôvodnom generovaní. Namerané trvanie výstupu a predpokladané množstvá nepredstavujú konečné účtované množstvo.

Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.

Rýchly režim: Neuvedené Keď je zvolený rýchly režim
Režim Flex: Neuvedené Keď je zvolený režim flex
Maximálna úroveň uvažovania: Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)

Odhadované sadzby na porovnanie

Ceny podľa konfigurácie

Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.

Konfigurácia	Sadzobník	Odhadované množstvo	Účtovacia jednotka	Poplatok
KonfiguráciaZákladné sadzby za tokeny	SadzobníkZákladná sadzba	Odhadované množstvo—	Účtovacia jednotka—	Poplatok Vstup · Vstupné tokeny · Odhad iba na porovnanie — / 1K tokenov Výstup · Výstupné tokeny · Odhad iba na porovnanie — / 1K tokenov Vstup · Čítanie cache · Odhad iba na porovnanie — / 1K tokenov Vstup · Zápis do cache · Odhad iba na porovnanie — / 1K tokenov Vstup · Zápis do cache, 1 hod · Odhad iba na porovnanie — / 1K tokenov
Konfiguráciahodina vstupného zvuku	Sadzobník—	Odhadované množstvo—	Účtovacia jednotkaza hodinu vstupného audia	Poplatok Vstup · hodina vstupného zvuku · Odhad iba na porovnanie $0.72 za hodinu vstupného audia
KonfiguráciaOdhadované náklady na generovanie	Sadzobník—	Odhadované množstvoodhad pre jedno generovanie	Účtovacia jednotka—	Poplatok Výstup · Odhadované náklady na generovanie · Odhad iba na porovnanie $0.0002 odhad pred generovaním Tento odhad nepredstavuje dodatočný poplatok ani pevnú sadzbu za dokončené generovanie.

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot Ultra · Prepis zvuku

curl · presné telo požiadavky v natívnom formáte a úplný výsledok

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-1.5', '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.

Prijať a uložiť výsledky

Ailoot Ultra · Prepis zvuku

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Čítanie ďalšieho obsahu

Čítať existujúce podklady, ktoré vám patria

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.

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Uchovajte úplnú odpoveď a hlavičky, všetky skutočné výstupy, pôvodné vrátené identifikátory a všetky polia s údajmi o spotrebe. Obnovte pôvodnú operáciu bez opätovného odoslania požiadavky na vytvorenie.

Ak treba overiť pôvodnú odpoveď

Uchovajte vrátené X-Client-Request-ID na zosúladenie záznamov. Čítajte iba skutočne vrátené hodnoty task_id/asset_id alebo vlastnú knižnicu médií; nikdy nevytvárajte URL úlohy z ID operácie a nikdy znova neodosielajte požiadavku na vytvorenie.

Polia odpovede

Pole	Typ
Pole`text`	Typ
Pole`usage`	Typ
Pole`segments[]`	Typ
Pole`words[]`	Typ
Pole`speaker fields`	Typ
Pole`timestamps`	Typ

Aliasy

Aliasy modelov

Ailoot Ultra microsoft/mai-transcribe-1.5

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

microsoft/mai-transcribe-1.5

FAQ · Microsoft AI: MAI-Transcribe 1.5

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: audio → text
Aké polia používa požiadavka?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Aké limity platia?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: temperature.minimum: 0; temperature.maximum: 1

Microsoft AI: MAI-Transcribe 1.5