Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 แปลงเสียงพูดบันทึกเป็นข้อความใน 43 ภาษา พร้อมระบุภาษาอัตโนมัติและเน้นสำเนียงกับเสียงรบกวน การ์ดอธิบายการให้น้ำหนักคำสำคัญตามโดเมนสำหรับชื่อและศัพท์เฉพาะ ใช้บทถอดเป็นฐานสำหรับโน้ตหรือคำบรรยายที่ตรวจแล้ว

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Microsoft AI MAI-Transcribe 1.5 เป็นโมเดลแปลงเสียงพูดเป็นข้อความสำหรับเสียงบันทึก การ์ดเฉพาะอธิบายการรู้จำใน 43 ภาษา ระบุภาษาอัตโนมัติ และความทนทานต่อสำเนียง ภาษาถิ่น รูปแบบพูด และสภาพเสียงรบกวน รุ่นนี้เพิ่มสิบแปดภาษาจากชุด 25 ภาษาของ MAI-Transcribe 1 ผลมีประโยชน์คือข้อความคำพูดจากบรรยาย สัมภาษณ์ สายโทร หรือโน้ตเสียง พร้อมตรวจเทียบเสียงก่อนขั้นแก้ไขหรือวิเคราะห์ภายหลัง

เตรียมเสียงครบที่ฟังรู้เรื่องในรูปแบบที่ผู้ผลิตระบุ ได้แก่ WAV, MP3 หรือ FLAC เก็บไฟล์ต้นฉบับและการแบ่งส่วนเพื่อเทียบบทถอดกับเสียง สำหรับบรรยาย เก็บวลีรอบคำเทคนิคแทนตัดเฉพาะคำยาก สำหรับโน้ตเสียง รักษาการแก้คำที่เปลี่ยนชื่อ เวลา หรือตัวเลข คำพูดรอบข้างให้บริบทในการรู้จำ และการฟังตรวจช่วยชี้จุดที่ผลต้องแก้

การระบุภาษาอัตโนมัติทำให้ประมวลผลเสียงได้โดยไม่ต้องเลือกภาษาล่วงหน้า ชุด 43 ภาษารวมอังกฤษ ฝรั่งเศส เยอรมัน อิตาลี สเปน ฮินดี จีน ญี่ปุ่น เกาหลี อาหรับ อินโดนีเซีย รัสเซีย ไทย และเวียดนาม ภาษาที่เพิ่มรวมบัลแกเรีย คาตาลัน กรีก ยูเครน และภาษาเอเชียใต้หลายภาษา ตรวจว่าภาษาที่ต้องการอยู่ในชุดรุ่นนี้ แทนนำการครอบคลุมกว้างกว่าของ MAI-Transcribe 2 มาใช้ สำหรับคลังหลายภาษา เก็บภาษาของเสียงไว้กับข้อความที่ตรวจแล้วเพื่อให้การแก้ปลายทางตามเนื้อหาที่พูดจริง

การ์ดรุ่น 1.5 อธิบายการให้น้ำหนักคำสำคัญหรือเอนทิตีสูงสุด 200 คำ และข้อมูลเผยแพร่อธิบายจุดประสงค์ว่าให้ชื่อ ตัวย่อ และศัพท์เฉพาะที่น่าจะใช้เป็นบริบท ผู้ผลิตระบุคำใบ้ตามบริบท ไม่ใช่บังคับคำที่ส่งลงผลอย่างไม่พิจารณา เตรียมศัพท์เกี่ยวข้อง เช่น ชื่อโครงการ เครื่องมือเทคนิค หรือการสะกดชื่อบุคคลที่กล่าวในเสียง ใช้ศัพท์เป็นบริบทเสียงจริงและตรวจคำรู้จำกับคำพูด

สำหรับบทเรียนวิศวกรรมที่บันทึก เตรียมชื่อเครื่องมือที่พูดถึงและการสะกดตัวย่อโครงการตรงตัว เขียนในรายการศัพท์ตรงประเด็นและเก็บรายการคู่กับเสียงและบทถอด ตรวจจุดที่ปรากฏกับช่วงพูด แทนถือการมีคำในรายการเป็นหลักฐานว่าตรงกัน ชื่อเสียงคล้ายยังอาจต้องตรวจ ผลควรรักษาคำที่พูดจริง รวมการแก้หรือการขยายเงื่อนไขที่เปลี่ยนความหมาย

ผู้ผลิตเน้นประสิทธิภาพกับเสียงโลกจริง รวมเสียงพื้นหลังและสภาพไมโครโฟนหลากหลาย การตรวจใช้งานจริงอาจเน้นช่วงพูดพร้อมกัน เสียงเบา หรือคำที่เสียงอื่นบังบางส่วน ผูกความไม่แน่ใจกับช่วงเสียงที่ตรง แทนเติมจากสมมติฐานเกี่ยวกับหัวข้อ ประโยคที่ดูสมเหตุผลยังอาจมีชื่อเฉพาะหรือตัวเลขผิด สำหรับบทถอดสายโทร ชิ้นงานมีประโยชน์คือบันทึกคำพูดที่ตรวจแล้วเพื่อให้วิเคราะห์ต่อ ไม่ใช่บันทึกเจตนาผู้โทรที่เดา

การ์ดรุ่น 1.5 เฉพาะระบุขนาดไฟล์สูงสุด 300 MB และสองชั่วโมง อ้างอิง REST ถอดเสียงแบบซิงโครนัสที่เชื่อมระบุอินพุตให้บริการเข้มกว่า คือเล็กกว่า 250 MB และสั้นกว่าสองชั่วโมง นี่เป็นขีดจำกัดการ์ดกับอินเทอร์เฟซที่ระบุแยก เตรียมไฟล์ภายในงบอินเทอร์เฟซที่ตั้งใจและจัดเนื้อหายาวตามขอบเขตการบันทึกที่มีความหมาย ขนาดไฟล์เกี่ยวกับเสียงเข้ารหัส ส่วนระยะเวลาเกี่ยวกับความยาวเสียงพูด ทั้งสองไม่ได้กำหนดหน้าต่างบริบทโมเดลข้อความ

ตัวอย่างผลในคำอธิบายเป็น JSON ที่มีระยะเวลาบันทึกและข้อความรู้จำรวม ข้อความอาจเป็นบทถอดเข้าถึงได้ บทสำหรับคำบรรยาย หรืออินพุตให้สรุปและค้นภายหลัง การจัดกลุ่มคำบรรยายและจัดแนวกับเสียงเป็นการเตรียมแยกเมื่อผลไม่มีเวลาเพียงพอ สำหรับบันทึกสัมภาษณ์ การระบุว่าบรรทัดเป็นของผู้ร่วมคนใดต้องมีบันทึกตรวจแล้วว่าใครพูดแยกต่างหาก รักษาถ้อยคำรู้จำและเสียงเป็นฐานชิ้นงานต่อไป

ขอบเขตรุ่นสำคัญต่อวางแผนผล การ์ด 1.5 ระบุชัดว่าไม่รองรับการแยกผู้พูด และตารางเทียบเวอร์ชันผู้ผลิตให้เวลาระดับคำกับตัวควบคุม clean/verbatim เป็นของ MAI-Transcribe 2 โมเดลสตรีมโดยตรงก็เป็นรุ่นแยก รุ่น 1.5 นี้จึงเน้นข้อความรู้จำจากเสียงบันทึกกับบริบทโดเมนตามเอกสาร โดยไม่นำคุณสมบัติผู้พูด เวลา หรืออินพุตสดของรุ่นอื่นมาเป็นส่วนผล ตรวจชื่อ ตัวเลข ศัพท์เทคนิค และคำพูดไม่ชัดก่อนเตรียมข้อความอ้าง แทร็กคำบรรยาย หรือเอกสารต่อยอด

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

microsoft/mai-transcribe-1.5

Microsoft AI /microsoft/mai-transcribe-1.5

เริ่มต้น

อินพุตที่รองรับ: เสียง
ผลลัพธ์: ข้อความ

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions

ขาเข้า: audio
ขาออก: text

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด microsoft/mai-transcribe-1.5	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`language`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`temperature`	ประเภท`number`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด ขั้นต่ำ: 0 สูงสุด: 1	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด json, verbose_json	ค่าเริ่มต้นjson
ฟิลด์`timestamp_granularities`	ประเภท`array`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`provider`	ประเภท`object`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`material_conditions`	ข้อกำหนดอ่านไฟล์ WAV จริงและเข้ารหัสไบต์จริงสำหรับ input_audio แบบ JSON ที่ประกาศไว้ ข้อกำหนดที่รองรับเฉพาะ JSON นี้ไม่ได้ระบุเส้นทาง multipart

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

ราคา

วิธีคำนวณค่าบริการสุดท้าย

อัตราที่แสดงใช้ประมาณการค่าใช้จ่ายก่อนการสร้างผลลัพธ์ ยอดเรียกเก็บสุดท้ายคำนวณจากค่าใช้จ่ายที่บันทึกไว้สำหรับการสร้างผลลัพธ์ครั้งเดิม ระยะเวลาของผลลัพธ์ที่วัดได้และปริมาณที่คาดการณ์ไว้ไม่ใช่ปริมาณสุดท้ายที่ใช้คิดค่าบริการ

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราประมาณการเพื่อเปรียบเทียบ

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	ปริมาณคาดการณ์	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	ปริมาณคาดการณ์—	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การอ่านแคช · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การเขียนแคช · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น
การตั้งค่าชั่วโมงเสียงขาเข้า	ตารางอัตราค่าบริการ—	ปริมาณคาดการณ์—	หน่วยคิดค่าบริการต่อชั่วโมงของเสียงอินพุต	ค่าบริการ ขาเข้า · ชั่วโมงเสียงขาเข้า · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.72 ต่อชั่วโมงของเสียงอินพุต
การตั้งค่าต้นทุนการสร้างโดยประมาณ	ตารางอัตราค่าบริการ—	ปริมาณคาดการณ์ค่าประมาณสำหรับการสร้างหนึ่งครั้ง	หน่วยคิดค่าบริการ—	ค่าบริการ ขาออก · ค่าใช้จ่ายในการสร้างโดยประมาณ · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.0002 ประมาณการก่อนสร้าง ค่าประมาณนี้ไม่ใช่ค่าใช้จ่ายเพิ่มเติมหรืออัตราคงที่สำหรับการสร้างผลลัพธ์ที่เสร็จสมบูรณ์แล้ว

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

curl · เนื้อหาคำขอแบบเนทีฟที่ตรงตามต้นฉบับและผลลัพธ์ที่ครบถ้วน

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.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

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

การอ่านเนื้อหาแบบอื่น

อ่านไฟล์สื่อที่มีอยู่และเป็นของคุณ

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.

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID ที่ส่งกลับมาไว้เพื่อกระทบยอด อ่านเฉพาะค่า task_id/asset_id ที่ส่งกลับมาจริง หรืออ่านจากคลังสื่อที่เป็นของตนเอง ห้ามสร้าง URL ของงานจาก ID การดำเนินการ และห้ามส่งคำขอสร้างซ้ำเด็ดขาด

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text`	ประเภท
ฟิลด์`usage`	ประเภท
ฟิลด์`segments[]`	ประเภท
ฟิลด์`words[]`	ประเภท
ฟิลด์`speaker fields`	ประเภท
ฟิลด์`timestamps`	ประเภท

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra microsoft/mai-transcribe-1.5

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

microsoft/mai-transcribe-1.5

FAQ · Microsoft AI: MAI-Transcribe 1.5

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
มีข้อจำกัดใดบ้าง?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: temperature.minimum: 0; temperature.maximum: 1

Microsoft AI: MAI-Transcribe 1.5