Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 mení zaznamenanú reč na text v 60 jazykoch s automatickou identifikáciou jazyka a prepínaním jazykov. Pridáva rozlíšenie hovoriacich, časovanie slov, zvýhodnenie kľúčových slov a očistený alebo doslovný štýl pre zápisy stretnutí, titulky, prehľadávateľný zvuk a odborný diktát.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions microsoft/mai-transcribe-2

O modeli

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

Microsoft AI MAI-Transcribe 2 je edícia druhej generácie transkripčnej rodiny Microsoftu na prevod zaznamenaného zvuku na text. Prevádza hovorený obsah na písaný text v 60 jazykoch s automatickou identifikáciou jazyka a podporou reči, ktorá medzi jazykmi prepína. Model pridáva rozlíšenie hovoriacich, časovanie na úrovni slov a voliteľné štýly prepisu. Užitočnými výstupmi sú prepis stretnutia s priradením hovoriacich, prehľadávateľný záznam rozhovoru, údaje na zarovnanie titulkov alebo skontrolovaný diktát obsahujúci odbornú terminológiu.

Nahrávku pripravte so zachovaným hovoreným materiálom. Výrobca uvádza vstupy WAV, MP3 a FLAC. Pôvodný zvuk ponechajte dostupný na porovnávanie neistých slov, mien a čísel s rozpoznaným textom. Nahrávka môže obsahovať hluk pozadia alebo premenlivú kvalitu mikrofónu, s čím je model navrhnutý pracovať, ale kontrola sa má stále sústrediť na nejasné alebo prekrývajúce sa pasáže. Pri rozhovore zachovajte postupnosť replík a páuz namiesto odstránenia kontextu pomáhajúceho interpretovať odpoveď.

Automatická detekcia jazyka je užitočná, keď jazyk nie je známy vopred. Zdokumentovaná množina 60 jazykov zahŕňa angličtinu, ruštinu, čínštinu, japončinu, kórejčinu, arabčinu, francúzštinu, nemčinu, španielčinu, indonézštinu, malajčinu, thajčinu a vietnamčinu. Prepínanie jazykov pokrýva prirodzené zmeny medzi jazykmi vrátane zmiešaných dvojíc ako Hinglish alebo Spanglish. Rozhranie výrobcu prijíma aj jednu jazykovú pomôcku, ktorú opisuje ako silný pokyn. Použite ju iba vtedy, keď je nahrávka skutočne v určenom jazyku, namiesto nútenia viacjazyčnej konverzácie do jedného očakávaného jazyka.

Zvýhodnenie kľúčových slov poskytuje doménové termíny, skratky, názvy produktov a vlastné mená, ktoré sa inak môžu zo zvuku ťažko rozlišovať. Pripravte cielený zoznam súvisiaci s nahrávkou, napríklad názov projektu, produktový rad alebo technické slová použité v diskusii. Príručka obsluhy ich opisuje ako pomôcky na rozpoznanie, nie vynútené zhody. Pri technickej prednáške zahrňte presný zápis pomenovaných prístrojov a odborných termínov a potom skontrolujte, či ich prepis umiestňuje tam, kde skutočne zazneli. Dodaný termín nie je dôkazom, že ho hovoriaci vyslovil.

Štýl výstupu zvoľte podľa zamýšľaného výstupu. Verbatim, zdokumentovaná predvolená voľba, zachováva výplňové slová, nedokončené začiatky a vlastné opravy. Clean odstraňuje neplynulosti pre čitateľnejší prepis. Záznam používaný na skúmanie priebehu konverzácie môže zachovať váhanie a opravu; čitateľný prepis lekcie môže používať očistené znenie. Pri oboch výsledkoch uchovajte pôvodný zvuk. Očistenie zlepšuje prezentáciu hovoreného textu a nemá sa považovať za samostatné zhrnutie ani novú interpretáciu významu hovoriaceho.

Rozlíšenie hovoriacich oddeľuje repliky podľa zisteného hovoriaceho a časové značky slov poskytujú posun a trvanie každého slova. Obslužné rozhranie ponúka aj časovanie úsekov alebo žiadne časovanie. Úseky sa delia podľa jazyka a pri zapnutom rozlíšení hovoriacich aj podľa hovoriaceho. Polia časovania používajú milisekundy a môžu podporovať navigáciu, vyhľadávanie a úpravy. Označenia rozlišujú zistených hovoriacich; priradenie označenia k menu účastníka je samostatný kontrolný krok. Pri titulkoch použite skontrolované časovanie slov na prípravu čitateľných skupín, namiesto predpokladu, že výsledok rozpoznávania je už hotový titulkový súbor.

Karta modelu uvádza maximálnu veľkosť súboru 300 MB a dve hodiny. Prepojená referencia synchrónneho REST pre zdokumentované rozhranie 2025-10-15 však vyžaduje súbor menší než 250 MB a kratší než dve hodiny. Ide o odlišné zverejnené obmedzenia karty modelu a obslužného rozhrania; pripravte súbor v rámci príslušného limitu obsluhy. Príručka MAI tiež uvádza, že rozlíšenie hovoriacich podporuje kratšie nahrávky než prepis bez tejto funkcie. Keď je potrebné priradenie hovoriacich, dlhý materiál s viacerými hovoriacimi rozdeľte do súvislých častí a uchovajte polohu každej časti v pôvodnej nahrávke pre neskoršiu kontrolu.

Zdokumentovaným výstupom sú štruktúrované transkripčné údaje: úplný text, frázy a na požiadanie informácie o hovoriacich a časovaní. Fráza môže obsahovať text, jazyk, posun a trvanie; časovanie slov môže prepojiť rozpoznané slovo so zvukom. Pri prehľadávateľnom archíve zachovajte tieto vzťahy, aby nájdený termín mohol viesť späť k nahrávke. Pri postupe zo stretnutia sa skontrolovaný prepis stáva vstupom pre neskoršiu sumarizáciu alebo extrakciu úloh. Výsledkom rečového modelu je rozpoznaný obsah, nie nezávisle overený záznam rozhodnutí zo stretnutia.

Rozdiel medzi verziami je konkrétny. MAI-Transcribe 1.5 pokrýva 43 jazykov, zatiaľ čo táto edícia 60 a pridáva zdokumentované ovládanie rozlíšenia hovoriacich, časových značiek slov a štýlov clean/verbatim. MAI-Transcribe 2 Streaming je samostatný model na priebežný prepis v reálnom čase s vlastným súborom funkcií; jeho latencia prvého čiastočného výsledku neopisuje túto edíciu pre zaznamenaný zvuk. Pred použitím prepisu ako zdroja titulkov, citácií alebo odvodeného dokumentu skontrolujte mená, čísla, repliky hovoriacich a zmiešané jazykové pasáže podľa zvuku.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions microsoft/mai-transcribe-2

microsoft/mai-transcribe-2

Microsoft AI /microsoft/mai-transcribe-2

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-2	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 $0.2 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 $0.00005555555555555556 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-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.

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-2

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

microsoft/mai-transcribe-2

FAQ · Microsoft AI: MAI-Transcribe 2

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: audio → text
Aké polia používa požiadavka?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Aké limity platia?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: temperature.minimum: 0; temperature.maximum: 1

Microsoft AI: MAI-Transcribe 2