Microsoft AI MAI-Transcribe 2 är tal-till-text-utgåvan för inspelat ljud i Microsofts andra generation av transkriptionsmodeller. Den omvandlar talat innehåll till skriftlig text på 60 språk, med automatisk språkidentifiering och stöd för tal som växlar mellan språk. Modellen lägger till talarseparering, tidsangivelser på ordnivå och valbara transkriptionsstilar. Användbara resultat omfattar en mötestranskription med talartilldelning, en sökbar intervjuutskrift, data för tidsjustering av undertexter eller kontrollerad diktamen med specialistterminologi.
Förbered inspelningen med det talade materialet intakt. Tillverkaren anger WAV, MP3 och FLAC som indata. Behåll originalljudet tillgängligt för att jämföra osäkra ord, namn och tal med den identifierade texten. En inspelning kan innehålla bakgrundsbuller eller varierande mikrofonkvalitet, vilket modellen är utformad för att hantera, men granskningen bör ändå fokusera på otydliga eller överlappande avsnitt. För en intervju bevarar du följden av turer och pauser snarare än tar bort kontexten som hjälper till att tolka ett svar.
Automatisk språkidentifiering är användbar när språket inte är känt i förväg. Den dokumenterade uppsättningen på 60 språk omfattar engelska, ryska, kinesiska, japanska, koreanska, arabiska, franska, tyska, spanska, indonesiska, malajiska, thailändska och vietnamesiska. Språkväxling täcker naturliga skiften mellan språk, inklusive blandade par som Hinglish eller Spanglish. Tillverkarens gränssnitt accepterar även en enda språkledtråd, som beskrivs som en stark instruktion. Använd den endast när inspelningen faktiskt är på det angivna språket i stället för att tvinga ett flerspråkigt samtal till ett enda förväntat språk.
Nyckelordsstyrning tillhandahåller domänspecifika termer, förkortningar, produktnamn och egennamn som annars kan vara svåra att skilja åt utifrån ljudet. Förbered en fokuserad lista relaterad till inspelningen, till exempel projektnamnet, en produktserie eller tekniska ord som används i diskussionen. Driftguiden beskriver dessa som igenkänningsledtrådar snarare än tvingade matchningar. För en teknisk föreläsning tar du med exakt stavning av namngivna instrument och specialisttermer och kontrollerar sedan om transkriptionen placerar dem där de faktiskt uttalades. En tillhandahållen term är inte ett belägg för att talaren sade den.
Välj utdatastil utifrån det avsedda resultatet. Verbatim, det dokumenterade standardvalet, behåller utfyllnadsord, omstarter och självrättelser. Clean tar bort avbrott och tveksamheter för en mer läsbar transkription. En uppteckning som används för att undersöka hur ett samtal utvecklades kan bevara tvekan och rättelsen; en läsbar lektionstranskription kan använda den rensade ordalydelsen. Behåll originalljudet tillsammans med båda slags resultat. Rensning förbättrar presentationen av den talade texten och bör inte behandlas som en separat sammanfattning eller en ny tolkning av vad talaren menade.
Talarseparering delar upp turer efter identifierad talare, och tidsstämplar på ordnivå anger en förskjutning och längd för varje ord. Driftgränssnittet erbjuder även tidsangivelser per segment eller inga tidsangivelser. Segment delas efter språk och, när talarseparering är aktiverad, efter talare. Tidsfälten använder millisekunder och kan stödja navigering, sökning och redigering. Etiketterna skiljer identifierade talare åt; att koppla en etikett till en deltagares namn är ett separat granskningssteg. För undertexter använder du kontrollerade ordtider för att förbereda läsbara textgrupper i stället för att anta att igenkänningsresultatet redan är en färdig undertextfil.
Modellkortet anger en maximal filstorlek på 300 MB och två timmar. Den länkade synkrona REST-referensen för det dokumenterade gränssnittet 2025-10-15 kräver i stället en fil som är mindre än 250 MB och kortare än två timmar. Detta är separata publicerade modellkorts- och driftbegränsningar; förbered en fil inom den tillämpliga driftgränsen. MAI-guiden anger också att talarseparering stöder kortare inspelningar än transkription utan talarseparering. Ordna långt material med flera talare i sammanhängande avsnitt när talartilldelning behövs och behåll avsnittets position i originalinspelningen för senare granskning.
Den dokumenterade utdatan är strukturerade transkriptionsdata: hela texten, fraser och, när det begärs, talar- och tidsinformation. En fras kan bära sin text, sitt språk, sin förskjutning och längd; ordtider kan koppla ett identifierat ord till ljudet. För ett sökbart arkiv bevarar du dessa relationer så att en hittad term kan leda tillbaka till inspelningen. För ett mötesflöde blir en kontrollerad transkription indata för senare sammanfattning eller extraktion av åtgärdspunkter. Talmodellens resultat är det identifierade innehållet, inte en oberoende verifierad redogörelse för mötets beslut.
Versionsskillnaden är konkret. MAI-Transcribe 1.5 täcker 43 språk, medan denna utgåva täcker 60 och lägger till de dokumenterade kontrollerna för talarseparering, ordtidsstämplar och Clean/Verbatim. MAI-Transcribe 2 Streaming är en separat modell för stegvis transkription i realtid med ett eget funktionsutbud; dess latens till det första delresultatet beskriver inte denna utgåva för inspelat ljud. Kontrollera transkriptionen mot ljudet för namn, tal, talarturer och flerspråkiga avsnitt innan den används som källa för undertexter, citat eller ett härlett dokument.
", "aboutText": "Microsoft AI MAI-Transcribe 2 är tal-till-text-utgåvan för inspelat ljud i Microsofts andra generation av transkriptionsmodeller. Den omvandlar talat innehåll till skriftlig text på 60 språk, med automatisk språkidentifiering och stöd för tal som växlar mellan språk. Modellen lägger till talarseparering, tidsangivelser på ordnivå och valbara transkriptionsstilar. Användbara resultat omfattar en mötestranskription med talartilldelning, en sökbar intervjuutskrift, data för tidsjustering av undertexter eller kontrollerad diktamen med specialistterminologi.\n\nFörbered inspelningen med det talade materialet intakt. Tillverkaren anger WAV, MP3 och FLAC som indata. Behåll originalljudet tillgängligt för att jämföra osäkra ord, namn och tal med den identifierade texten. En inspelning kan innehålla bakgrundsbuller eller varierande mikrofonkvalitet, vilket modellen är utformad för att hantera, men granskningen bör ändå fokusera på otydliga eller överlappande avsnitt. För en intervju bevarar du följden av turer och pauser snarare än tar bort kontexten som hjälper till att tolka ett svar.\n\nAutomatisk språkidentifiering är användbar när språket inte är känt i förväg. Den dokumenterade uppsättningen på 60 språk omfattar engelska, ryska, kinesiska, japanska, koreanska, arabiska, franska, tyska, spanska, indonesiska, malajiska, thailändska och vietnamesiska. Språkväxling täcker naturliga skiften mellan språk, inklusive blandade par som Hinglish eller Spanglish. Tillverkarens gränssnitt accepterar även en enda språkledtråd, som beskrivs som en stark instruktion. Använd den endast när inspelningen faktiskt är på det angivna språket i stället för att tvinga ett flerspråkigt samtal till ett enda förväntat språk.\n\nNyckelordsstyrning tillhandahåller domänspecifika termer, förkortningar, produktnamn och egennamn som annars kan vara svåra att skilja åt utifrån ljudet. Förbered en fokuserad lista relaterad till inspelningen, till exempel projektnamnet, en produktserie eller tekniska ord som används i diskussionen. Driftguiden beskriver dessa som igenkänningsledtrådar snarare än tvingade matchningar. För en teknisk föreläsning tar du med exakt stavning av namngivna instrument och specialisttermer och kontrollerar sedan om transkriptionen placerar dem där de faktiskt uttalades. En tillhandahållen term är inte ett belägg för att talaren sade den.\n\nVälj utdatastil utifrån det avsedda resultatet. Verbatim, det dokumenterade standardvalet, behåller utfyllnadsord, omstarter och självrättelser. Clean tar bort avbrott och tveksamheter för en mer läsbar transkription. En uppteckning som används för att undersöka hur ett samtal utvecklades kan bevara tvekan och rättelsen; en läsbar lektionstranskription kan använda den rensade ordalydelsen. Behåll originalljudet tillsammans med båda slags resultat. Rensning förbättrar presentationen av den talade texten och bör inte behandlas som en separat sammanfattning eller en ny tolkning av vad talaren menade.\n\nTalarseparering delar upp turer efter identifierad talare, och tidsstämplar på ordnivå anger en förskjutning och längd för varje ord. Driftgränssnittet erbjuder även tidsangivelser per segment eller inga tidsangivelser. Segment delas efter språk och, när talarseparering är aktiverad, efter talare. Tidsfälten använder millisekunder och kan stödja navigering, sökning och redigering. Etiketterna skiljer identifierade talare åt; att koppla en etikett till en deltagares namn är ett separat granskningssteg. För undertexter använder du kontrollerade ordtider för att förbereda läsbara textgrupper i stället för att anta att igenkänningsresultatet redan är en färdig undertextfil.\n\nModellkortet anger en maximal filstorlek på 300 MB och två timmar. Den länkade synkrona REST-referensen för det dokumenterade gränssnittet 2025-10-15 kräver i stället en fil som är mindre än 250 MB och kortare än två timmar. Detta är separata publicerade modellkorts- och driftbegränsningar; förbered en fil inom den tillämpliga driftgränsen. MAI-guiden anger också att talarseparering stöder kortare inspelningar än transkription utan talarseparering. Ordna långt material med flera talare i sammanhängande avsnitt när talartilldelning behövs och behåll avsnittets position i originalinspelningen för senare granskning.\n\nDen dokumenterade utdatan är strukturerade transkriptionsdata: hela texten, fraser och, när det begärs, talar- och tidsinformation. En fras kan bära sin text, sitt språk, sin förskjutning och längd; ordtider kan koppla ett identifierat ord till ljudet. För ett sökbart arkiv bevarar du dessa relationer så att en hittad term kan leda tillbaka till inspelningen. För ett mötesflöde blir en kontrollerad transkription indata för senare sammanfattning eller extraktion av åtgärdspunkter. Talmodellens resultat är det identifierade innehållet, inte en oberoende verifierad redogörelse för mötets beslut.\n\nVersionsskillnaden är konkret. MAI-Transcribe 1.5 täcker 43 språk, medan denna utgåva täcker 60 och lägger till de dokumenterade kontrollerna för talarseparering, ordtidsstämplar och Clean/Verbatim. MAI-Transcribe 2 Streaming är en separat modell för stegvis transkription i realtid med ett eget funktionsutbud; dess latens till det första delresultatet beskriver inte denna utgåva för inspelat ljud. Kontrollera transkriptionen mot ljudet för namn, tal, talarturer och flerspråkiga avsnitt innan den används som källa för undertexter, citat eller ett härlett dokument.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "27ae924070e392b97a56943bc644ea2b66a7b569859571030849c5b894b71ae9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "microsoft/mai-transcribe-2Microsoft AI MAI-Transcribe 2 omvandlar inspelat tal till text på 60 språk, med automatisk språkidentifiering och språkväxling. Den lägger till talarseparering, ordtider, nyckelordsstyrning och rensad eller ordagrann stil för mötesprotokoll, undertexter, sökbart ljud och specialistdiktamen.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Microsoft AI MAI-Transcribe 2 är tal-till-text-utgåvan för inspelat ljud i Microsofts andra generation av transkriptionsmodeller. Den omvandlar talat innehåll till skriftlig text på 60 språk, med automatisk språkidentifiering och stöd för tal som växlar mellan språk. Modellen lägger till talarseparering, tidsangivelser på ordnivå och valbara transkriptionsstilar. Användbara resultat omfattar en mötestranskription med talartilldelning, en sökbar intervjuutskrift, data för tidsjustering av undertexter eller kontrollerad diktamen med specialistterminologi.
Förbered inspelningen med det talade materialet intakt. Tillverkaren anger WAV, MP3 och FLAC som indata. Behåll originalljudet tillgängligt för att jämföra osäkra ord, namn och tal med den identifierade texten. En inspelning kan innehålla bakgrundsbuller eller varierande mikrofonkvalitet, vilket modellen är utformad för att hantera, men granskningen bör ändå fokusera på otydliga eller överlappande avsnitt. För en intervju bevarar du följden av turer och pauser snarare än tar bort kontexten som hjälper till att tolka ett svar.
Automatisk språkidentifiering är användbar när språket inte är känt i förväg. Den dokumenterade uppsättningen på 60 språk omfattar engelska, ryska, kinesiska, japanska, koreanska, arabiska, franska, tyska, spanska, indonesiska, malajiska, thailändska och vietnamesiska. Språkväxling täcker naturliga skiften mellan språk, inklusive blandade par som Hinglish eller Spanglish. Tillverkarens gränssnitt accepterar även en enda språkledtråd, som beskrivs som en stark instruktion. Använd den endast när inspelningen faktiskt är på det angivna språket i stället för att tvinga ett flerspråkigt samtal till ett enda förväntat språk.
Nyckelordsstyrning tillhandahåller domänspecifika termer, förkortningar, produktnamn och egennamn som annars kan vara svåra att skilja åt utifrån ljudet. Förbered en fokuserad lista relaterad till inspelningen, till exempel projektnamnet, en produktserie eller tekniska ord som används i diskussionen. Driftguiden beskriver dessa som igenkänningsledtrådar snarare än tvingade matchningar. För en teknisk föreläsning tar du med exakt stavning av namngivna instrument och specialisttermer och kontrollerar sedan om transkriptionen placerar dem där de faktiskt uttalades. En tillhandahållen term är inte ett belägg för att talaren sade den.
Välj utdatastil utifrån det avsedda resultatet. Verbatim, det dokumenterade standardvalet, behåller utfyllnadsord, omstarter och självrättelser. Clean tar bort avbrott och tveksamheter för en mer läsbar transkription. En uppteckning som används för att undersöka hur ett samtal utvecklades kan bevara tvekan och rättelsen; en läsbar lektionstranskription kan använda den rensade ordalydelsen. Behåll originalljudet tillsammans med båda slags resultat. Rensning förbättrar presentationen av den talade texten och bör inte behandlas som en separat sammanfattning eller en ny tolkning av vad talaren menade.
Talarseparering delar upp turer efter identifierad talare, och tidsstämplar på ordnivå anger en förskjutning och längd för varje ord. Driftgränssnittet erbjuder även tidsangivelser per segment eller inga tidsangivelser. Segment delas efter språk och, när talarseparering är aktiverad, efter talare. Tidsfälten använder millisekunder och kan stödja navigering, sökning och redigering. Etiketterna skiljer identifierade talare åt; att koppla en etikett till en deltagares namn är ett separat granskningssteg. För undertexter använder du kontrollerade ordtider för att förbereda läsbara textgrupper i stället för att anta att igenkänningsresultatet redan är en färdig undertextfil.
Modellkortet anger en maximal filstorlek på 300 MB och två timmar. Den länkade synkrona REST-referensen för det dokumenterade gränssnittet 2025-10-15 kräver i stället en fil som är mindre än 250 MB och kortare än två timmar. Detta är separata publicerade modellkorts- och driftbegränsningar; förbered en fil inom den tillämpliga driftgränsen. MAI-guiden anger också att talarseparering stöder kortare inspelningar än transkription utan talarseparering. Ordna långt material med flera talare i sammanhängande avsnitt när talartilldelning behövs och behåll avsnittets position i originalinspelningen för senare granskning.
Den dokumenterade utdatan är strukturerade transkriptionsdata: hela texten, fraser och, när det begärs, talar- och tidsinformation. En fras kan bära sin text, sitt språk, sin förskjutning och längd; ordtider kan koppla ett identifierat ord till ljudet. För ett sökbart arkiv bevarar du dessa relationer så att en hittad term kan leda tillbaka till inspelningen. För ett mötesflöde blir en kontrollerad transkription indata för senare sammanfattning eller extraktion av åtgärdspunkter. Talmodellens resultat är det identifierade innehållet, inte en oberoende verifierad redogörelse för mötets beslut.
Versionsskillnaden är konkret. MAI-Transcribe 1.5 täcker 43 språk, medan denna utgåva täcker 60 och lägger till de dokumenterade kontrollerna för talarseparering, ordtidsstämplar och Clean/Verbatim. MAI-Transcribe 2 Streaming är en separat modell för stegvis transkription i realtid med ett eget funktionsutbud; dess latens till det första delresultatet beskriver inte denna utgåva för inspelat ljud. Kontrollera transkriptionen mot ljudet för namn, tal, talarturer och flerspråkiga avsnitt innan den används som källa för undertexter, citat eller ett härlett dokument.
POST /v1/audio/transcriptionsaudiotext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser microsoft/mai-transcribe-2 | 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 $0.2 per timme indataljud |
| KonfigurationUppskattad genereringskostnad | Prislista— | Prognostiserad mängduppskattning för en generering | Debiteringsenhet— | Avgift Utdata · Uppskattad genereringskostnad · Uppskattning endast för jämförelse $0.00005555555555555556 uppskattning före generering Denna uppskattning är varken en extra avgift eller ett fast pris för den slutförda genereringen. |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'microsoft/mai-transcribe-2', 'input_audio': {'data': '${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.\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-2
Använd metodsökvägarna som visas ovan.