Microsoft AI MAI-Transcribe 1.5 är en tal-till-text-modell för att omvandla inspelat ljud till skriftligt innehåll. Dess exakta modellkort beskriver igenkänning på 43 språk, automatisk språkidentifiering och robusthet över accenter, dialekter, talstilar och bullriga förhållanden. Utgåvan utökar MAI-Transcribe 1:s uppsättning på 25 språk med arton språk. Ett användbart resultat är det nedskrivna talet från en föreläsning, en intervju, ett samtal eller en röstanteckning, redo att kontrolleras mot inspelningen före ett senare redigerings- eller analyssteg.
Förbered en komplett, begriplig inspelning i något av tillverkarens angivna format: WAV, MP3 eller FLAC. Behåll originalfilen och eventuell indelning i avsnitt så att transkriptionen kan jämföras med ljudet. För en föreläsning behåller du fraserna kring en teknisk term i stället för att extrahera bara det svåra ordet. För en röstanteckning bevarar du en rättelse som ändrar ett namn, en tid eller ett tal. Det omgivande talet ger kontext för att känna igen vad som sades, och lyssnarens granskning kan identifiera var utdata behöver korrigeras.
Automatisk språkidentifiering gör att en inspelning kan bearbetas utan att ett språk måste väljas i förväg. Uppsättningen på 43 språk omfattar engelska, franska, tyska, italienska, spanska, hindi, kinesiska, japanska, koreanska, arabiska, indonesiska, ryska, thailändska och vietnamesiska. De tillagda språken omfattar bulgariska, katalanska, grekiska, ukrainska och flera sydasiatiska språk. Kontrollera att det avsedda språket tillhör denna utgåvas uppsättning i stället för att låna MAI-Transcribe 2:s bredare täckning. För flerspråkiga samlingar behåller du inspelningens språk tillsammans med den granskade texten så att efterföljande redigering följer det faktiska talade innehållet.
Modellkortet för 1.5 beskriver nyckelords- eller entitetsstyrning med upp till 200 termer, och utgåvan förklarar syftet: att göra sannolika namn, akronymer och specialistord tillgängliga som kontext. Tillverkaren beskriver kontextuella ledtrådar snarare än att blint tvinga in tillhandahållna ord i resultatet. Förbered ett relevant ordförråd, till exempel projektnamnet, ett tekniskt instrument eller korrekt stavning av en person som diskuteras i inspelningen. Använd terminologin som kontext för den faktiska inspelningen och kontrollera de identifierade termerna mot talet.
För en inspelad tekniklektion förbereder du namnen på de instrument som diskuteras och den exakta stavningen av eventuella projektakronymer. Skriv deras exakta stavningar i en fokuserad terminologilista och behåll listan tillsammans med ljudet och transkriptionen. Granska dessa förekomster mot de talade avsnitten i stället för att behandla en ordförrådspost som bevis för en matchning. Namn som låter lika kan fortfarande behöva kontrolleras. Resultatet bör bevara de ord som faktiskt uttalades, inklusive en rättelse eller precisering som ändrar deras betydelse.
Tillverkaren betonar prestanda på verkligt ljud, inklusive bakgrundsbuller och varierande mikrofonförhållanden. Den praktiska granskningen kan fokusera på avsnitt med samtidigt tal, svaga röster eller ord som delvis täcks av ett annat ljud. Håll osäkerheter kopplade till motsvarande ljudavsnitt i stället för att fylla dem med antaganden om ämnet. En rimlig mening kan fortfarande innehålla fel egennamn eller tal. För en samtalstranskription är den användbara leveransen en kontrollerad uppteckning av det talade innehållet som en senare analys kan använda, snarare än en gissad redogörelse för uppringarens avsikt.
Det exakta modellkortet för 1.5 anger en maximal filstorlek på 300 MB och två timmar. Dess länkade REST-referens för synkron transkription beskriver en striktare driftindata: mindre än 250 MB och kortare än två timmar. Detta är separat angivna gränser för modellkortet och gränssnittet. Förbered filer inom det avsedda gränssnittets gräns och ordna längre material vid meningsfulla inspelningsgränser. En filstorleksgräns gäller det kodade ljudet, medan längdgränsen gäller talinspelningens längd; ingen av dem definierar ett kontextfönster för en textmodell.
Modellkortets exempelutdata är JSON med inspelningens längd och den samlade identifierade texten. Texten kan bli en tillgänglig transkription, ett manus för undertexter eller indata för senare sammanfattning och sökning. Gruppering av undertextrutor och tidsjustering till inspelningen är separata förberedelser när resultatet inte innehåller de nödvändiga tidsuppgifterna. För intervjuuppteckningar kräver tilldelning av en replik till en namngiven deltagare en separat kontrollerad uppgift om vem som talade. Bevara den identifierade ordalydelsen och ljudet som grund för dessa senare resultat.
Utgåvans gränser är viktiga när utdata planeras. Modellkortet för 1.5 placerar uttryckligen talarseparering utanför dess stödda förmågor, och tillverkarens versionsjämförelse tilldelar tidsstämplar på ordnivå och stilkontrollerna Clean/Verbatim till MAI-Transcribe 2. En inbyggd strömningsmodell är också en separat utgåva. Denna 1.5-variant fokuserar därför på identifierad text från inspelningar och dess dokumenterade domänkontext utan att göra en annan utgåvas funktioner för talare, tidsangivelser eller direktindata till en del av resultatet. Granska namn, tal, tekniska termer och otydligt tal innan du förbereder ett citerat avsnitt, ett undertextspår eller ett härlett dokument.
", "aboutText": "Microsoft AI MAI-Transcribe 1.5 är en tal-till-text-modell för att omvandla inspelat ljud till skriftligt innehåll. Dess exakta modellkort beskriver igenkänning på 43 språk, automatisk språkidentifiering och robusthet över accenter, dialekter, talstilar och bullriga förhållanden. Utgåvan utökar MAI-Transcribe 1:s uppsättning på 25 språk med arton språk. Ett användbart resultat är det nedskrivna talet från en föreläsning, en intervju, ett samtal eller en röstanteckning, redo att kontrolleras mot inspelningen före ett senare redigerings- eller analyssteg.\n\nFörbered en komplett, begriplig inspelning i något av tillverkarens angivna format: WAV, MP3 eller FLAC. Behåll originalfilen och eventuell indelning i avsnitt så att transkriptionen kan jämföras med ljudet. För en föreläsning behåller du fraserna kring en teknisk term i stället för att extrahera bara det svåra ordet. För en röstanteckning bevarar du en rättelse som ändrar ett namn, en tid eller ett tal. Det omgivande talet ger kontext för att känna igen vad som sades, och lyssnarens granskning kan identifiera var utdata behöver korrigeras.\n\nAutomatisk språkidentifiering gör att en inspelning kan bearbetas utan att ett språk måste väljas i förväg. Uppsättningen på 43 språk omfattar engelska, franska, tyska, italienska, spanska, hindi, kinesiska, japanska, koreanska, arabiska, indonesiska, ryska, thailändska och vietnamesiska. De tillagda språken omfattar bulgariska, katalanska, grekiska, ukrainska och flera sydasiatiska språk. Kontrollera att det avsedda språket tillhör denna utgåvas uppsättning i stället för att låna MAI-Transcribe 2:s bredare täckning. För flerspråkiga samlingar behåller du inspelningens språk tillsammans med den granskade texten så att efterföljande redigering följer det faktiska talade innehållet.\n\nModellkortet för 1.5 beskriver nyckelords- eller entitetsstyrning med upp till 200 termer, och utgåvan förklarar syftet: att göra sannolika namn, akronymer och specialistord tillgängliga som kontext. Tillverkaren beskriver kontextuella ledtrådar snarare än att blint tvinga in tillhandahållna ord i resultatet. Förbered ett relevant ordförråd, till exempel projektnamnet, ett tekniskt instrument eller korrekt stavning av en person som diskuteras i inspelningen. Använd terminologin som kontext för den faktiska inspelningen och kontrollera de identifierade termerna mot talet.\n\nFör en inspelad tekniklektion förbereder du namnen på de instrument som diskuteras och den exakta stavningen av eventuella projektakronymer. Skriv deras exakta stavningar i en fokuserad terminologilista och behåll listan tillsammans med ljudet och transkriptionen. Granska dessa förekomster mot de talade avsnitten i stället för att behandla en ordförrådspost som bevis för en matchning. Namn som låter lika kan fortfarande behöva kontrolleras. Resultatet bör bevara de ord som faktiskt uttalades, inklusive en rättelse eller precisering som ändrar deras betydelse.\n\nTillverkaren betonar prestanda på verkligt ljud, inklusive bakgrundsbuller och varierande mikrofonförhållanden. Den praktiska granskningen kan fokusera på avsnitt med samtidigt tal, svaga röster eller ord som delvis täcks av ett annat ljud. Håll osäkerheter kopplade till motsvarande ljudavsnitt i stället för att fylla dem med antaganden om ämnet. En rimlig mening kan fortfarande innehålla fel egennamn eller tal. För en samtalstranskription är den användbara leveransen en kontrollerad uppteckning av det talade innehållet som en senare analys kan använda, snarare än en gissad redogörelse för uppringarens avsikt.\n\nDet exakta modellkortet för 1.5 anger en maximal filstorlek på 300 MB och två timmar. Dess länkade REST-referens för synkron transkription beskriver en striktare driftindata: mindre än 250 MB och kortare än två timmar. Detta är separat angivna gränser för modellkortet och gränssnittet. Förbered filer inom det avsedda gränssnittets gräns och ordna längre material vid meningsfulla inspelningsgränser. En filstorleksgräns gäller det kodade ljudet, medan längdgränsen gäller talinspelningens längd; ingen av dem definierar ett kontextfönster för en textmodell.\n\nModellkortets exempelutdata är JSON med inspelningens längd och den samlade identifierade texten. Texten kan bli en tillgänglig transkription, ett manus för undertexter eller indata för senare sammanfattning och sökning. Gruppering av undertextrutor och tidsjustering till inspelningen är separata förberedelser när resultatet inte innehåller de nödvändiga tidsuppgifterna. För intervjuuppteckningar kräver tilldelning av en replik till en namngiven deltagare en separat kontrollerad uppgift om vem som talade. Bevara den identifierade ordalydelsen och ljudet som grund för dessa senare resultat.\n\nUtgåvans gränser är viktiga när utdata planeras. Modellkortet för 1.5 placerar uttryckligen talarseparering utanför dess stödda förmågor, och tillverkarens versionsjämförelse tilldelar tidsstämplar på ordnivå och stilkontrollerna Clean/Verbatim till MAI-Transcribe 2. En inbyggd strömningsmodell är också en separat utgåva. Denna 1.5-variant fokuserar därför på identifierad text från inspelningar och dess dokumenterade domänkontext utan att göra en annan utgåvas funktioner för talare, tidsangivelser eller direktindata till en del av resultatet. Granska namn, tal, tekniska termer och otydligt tal innan du förbereder ett citerat avsnitt, ett undertextspår eller ett härlett dokument.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6097d6b2dbbb99b81d786c4d68a549f27e7ea50cc39445a5b843ba7e9c481b18", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "microsoft/mai-transcribe-1.5Microsoft AI MAI-Transcribe 1.5 omvandlar inspelat tal till text på 43 språk, med automatisk språkidentifiering och tonvikt på accenter och brusigt ljud. Dess modellkort beskriver domänmedveten nyckelordsstyrning för namn och specialisttermer. Använd transkriptionen som grund för kontrollerade anteckningar eller undertexter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Microsoft AI MAI-Transcribe 1.5 är en tal-till-text-modell för att omvandla inspelat ljud till skriftligt innehåll. Dess exakta modellkort beskriver igenkänning på 43 språk, automatisk språkidentifiering och robusthet över accenter, dialekter, talstilar och bullriga förhållanden. Utgåvan utökar MAI-Transcribe 1:s uppsättning på 25 språk med arton språk. Ett användbart resultat är det nedskrivna talet från en föreläsning, en intervju, ett samtal eller en röstanteckning, redo att kontrolleras mot inspelningen före ett senare redigerings- eller analyssteg.
Förbered en komplett, begriplig inspelning i något av tillverkarens angivna format: WAV, MP3 eller FLAC. Behåll originalfilen och eventuell indelning i avsnitt så att transkriptionen kan jämföras med ljudet. För en föreläsning behåller du fraserna kring en teknisk term i stället för att extrahera bara det svåra ordet. För en röstanteckning bevarar du en rättelse som ändrar ett namn, en tid eller ett tal. Det omgivande talet ger kontext för att känna igen vad som sades, och lyssnarens granskning kan identifiera var utdata behöver korrigeras.
Automatisk språkidentifiering gör att en inspelning kan bearbetas utan att ett språk måste väljas i förväg. Uppsättningen på 43 språk omfattar engelska, franska, tyska, italienska, spanska, hindi, kinesiska, japanska, koreanska, arabiska, indonesiska, ryska, thailändska och vietnamesiska. De tillagda språken omfattar bulgariska, katalanska, grekiska, ukrainska och flera sydasiatiska språk. Kontrollera att det avsedda språket tillhör denna utgåvas uppsättning i stället för att låna MAI-Transcribe 2:s bredare täckning. För flerspråkiga samlingar behåller du inspelningens språk tillsammans med den granskade texten så att efterföljande redigering följer det faktiska talade innehållet.
Modellkortet för 1.5 beskriver nyckelords- eller entitetsstyrning med upp till 200 termer, och utgåvan förklarar syftet: att göra sannolika namn, akronymer och specialistord tillgängliga som kontext. Tillverkaren beskriver kontextuella ledtrådar snarare än att blint tvinga in tillhandahållna ord i resultatet. Förbered ett relevant ordförråd, till exempel projektnamnet, ett tekniskt instrument eller korrekt stavning av en person som diskuteras i inspelningen. Använd terminologin som kontext för den faktiska inspelningen och kontrollera de identifierade termerna mot talet.
För en inspelad tekniklektion förbereder du namnen på de instrument som diskuteras och den exakta stavningen av eventuella projektakronymer. Skriv deras exakta stavningar i en fokuserad terminologilista och behåll listan tillsammans med ljudet och transkriptionen. Granska dessa förekomster mot de talade avsnitten i stället för att behandla en ordförrådspost som bevis för en matchning. Namn som låter lika kan fortfarande behöva kontrolleras. Resultatet bör bevara de ord som faktiskt uttalades, inklusive en rättelse eller precisering som ändrar deras betydelse.
Tillverkaren betonar prestanda på verkligt ljud, inklusive bakgrundsbuller och varierande mikrofonförhållanden. Den praktiska granskningen kan fokusera på avsnitt med samtidigt tal, svaga röster eller ord som delvis täcks av ett annat ljud. Håll osäkerheter kopplade till motsvarande ljudavsnitt i stället för att fylla dem med antaganden om ämnet. En rimlig mening kan fortfarande innehålla fel egennamn eller tal. För en samtalstranskription är den användbara leveransen en kontrollerad uppteckning av det talade innehållet som en senare analys kan använda, snarare än en gissad redogörelse för uppringarens avsikt.
Det exakta modellkortet för 1.5 anger en maximal filstorlek på 300 MB och två timmar. Dess länkade REST-referens för synkron transkription beskriver en striktare driftindata: mindre än 250 MB och kortare än två timmar. Detta är separat angivna gränser för modellkortet och gränssnittet. Förbered filer inom det avsedda gränssnittets gräns och ordna längre material vid meningsfulla inspelningsgränser. En filstorleksgräns gäller det kodade ljudet, medan längdgränsen gäller talinspelningens längd; ingen av dem definierar ett kontextfönster för en textmodell.
Modellkortets exempelutdata är JSON med inspelningens längd och den samlade identifierade texten. Texten kan bli en tillgänglig transkription, ett manus för undertexter eller indata för senare sammanfattning och sökning. Gruppering av undertextrutor och tidsjustering till inspelningen är separata förberedelser när resultatet inte innehåller de nödvändiga tidsuppgifterna. För intervjuuppteckningar kräver tilldelning av en replik till en namngiven deltagare en separat kontrollerad uppgift om vem som talade. Bevara den identifierade ordalydelsen och ljudet som grund för dessa senare resultat.
Utgåvans gränser är viktiga när utdata planeras. Modellkortet för 1.5 placerar uttryckligen talarseparering utanför dess stödda förmågor, och tillverkarens versionsjämförelse tilldelar tidsstämplar på ordnivå och stilkontrollerna Clean/Verbatim till MAI-Transcribe 2. En inbyggd strömningsmodell är också en separat utgåva. Denna 1.5-variant fokuserar därför på identifierad text från inspelningar och dess dokumenterade domänkontext utan att göra en annan utgåvas funktioner för talare, tidsangivelser eller direktindata till en del av resultatet. Granska namn, tal, tekniska termer och otydligt tal innan du förbereder ett citerat avsnitt, ett undertextspår eller ett härlett dokument.
POST /v1/audio/transcriptionsaudiotext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser microsoft/mai-transcribe-1.5 | Standard— |
Fältinput_audio | Typobject | KravObligatoriskt | Värden & gränser | Standard— |
Fältlanguage | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Minimum: 0 Maximum: 1 | Standard— |
Fältresponse_format | Typstring | KravValfritt | Värden & gränser json, verbose_json | Standardjson |
Fälttimestamp_granularities | Typarray | KravValfritt | Värden & gränser | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input_audio |
Parametermaterial_types | Avtalaudio |
Parametermaterial_conditions | AvtalLäs en faktisk WAV-fil och koda dess verkliga byte för deklarerad JSON-indata i input_audio; ingen multipart-rutt anges för denna exakta deklaration med enbart JSON. |
Livscykel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Det task_id som faktiskt returnerades eller en post i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
De visade priserna används för att uppskatta kostnaden före genereringen. Den slutliga debiteringen beräknas utifrån den kostnad som registrerats för den ursprungliga genereringen. Uppmätt längd på resultatet och uppskattade mängder utgör inte den slutliga debiterbara mängden.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Prognostiserad mängd | Debiteringsenhet | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Prognostiserad mängd— | Debiteringsenhet— | Avgift Indata · Indatatoken · Uppskattning endast för jämförelse — / 1K token Utdata · Utdatatoken · Uppskattning endast för jämförelse — / 1K token Indata · Cacheläsning · Uppskattning endast för jämförelse — / 1K token Indata · Skrivning till cache · Uppskattning endast för jämförelse — / 1K token Indata · Skrivning till cache, 1 tim · Uppskattning endast för jämförelse — / 1K token |
| Konfigurationtimme inkommande ljud | Prislista— | Prognostiserad mängd— | Debiteringsenhetper timme indataljud | Avgift Indata · timme inkommande ljud · Uppskattning endast för jämförelse $0.72 per timme indataljud |
| KonfigurationUppskattad genereringskostnad | Prislista— | Prognostiserad mängduppskattning för en generering | Debiteringsenhet— | Avgift Utdata · Uppskattad genereringskostnad · Uppskattning endast för jämförelse $0.0002 uppskattning före generering Denna uppskattning är varken en extra avgift eller ett fast pris för den slutförda genereringen. |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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.\nBehåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela svaret med headers, samtliga faktiska resultat, de ursprungliga returnerade identifierarna och alla användningsfält. Hämta den ursprungliga operationen utan att skicka skapandeförfrågan igen.
Behåll det returnerade värdet för X-Client-Request-ID för avstämning. Läs endast av resultat via de task_id/asset_id-värden som faktiskt returnerades eller via det mediebibliotek som tillhör dig. Bygg aldrig en uppgifts-URL från operations-ID:t och skicka aldrig skapandeförfrågan igen.
| Fält | Typ |
|---|---|
Fälttext | Typ |
Fältusage | Typ |
Fältsegments[] | Typ |
Fältwords[] | Typ |
Fältspeaker fields | Typ |
Fälttimestamps | Typ |
Ailoot Ultra microsoft/mai-transcribe-1.5
Använd metodsökvägarna som visas ovan.