Microsoft AI: MAI-Transcribe 2
Microsoft AI MAI-Transcribe 2 แปลงเสียงพูดบันทึกเป็นข้อความใน 60 ภาษา พร้อมระบุภาษาอัตโนมัติและสลับภาษา เพิ่มการแยกผู้พูด เวลาระดับคำ การให้น้ำหนักคำสำคัญ และรูปแบบสะอาดหรือตรงคำพูด สำหรับบันทึกประชุม คำบรรยาย เสียงค้นหาได้ และการเขียนตามคำบอกเฉพาะทาง
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
Microsoft AI MAI-Transcribe 2 เป็นรุ่นแปลงเสียงบันทึกเป็นข้อความในตระกูลถอดเสียงเจเนอเรชันสองของ Microsoft แปลงเนื้อหาพูดเป็นข้อความใน 60 ภาษา พร้อมระบุภาษาอัตโนมัติและรองรับคำพูดสลับภาษา โมเดลเพิ่มการแยกผู้พูด เวลาระดับคำ และเลือกรูปแบบถอดเสียงได้ ชิ้นงานมีประโยชน์รวมบทถอดประชุมที่ระบุผู้พูด บันทึกสัมภาษณ์ค้นหาได้ ข้อมูลจัดแนวคำบรรยาย หรือข้อความเขียนตามคำบอกที่ตรวจแล้วและมีศัพท์เฉพาะ
เตรียมเสียงบันทึกโดยรักษาเนื้อหาพูดครบ ผู้ผลิตระบุอินพุต WAV, MP3 และ FLAC เก็บเสียงต้นฉบับไว้เพื่อเทียบคำ ชื่อ และตัวเลขที่ไม่แน่ใจกับข้อความรู้จำ เสียงอาจมีเสียงรบกวนหรือคุณภาพไมค์ต่างกัน ซึ่งโมเดลออกแบบให้จัดการได้ แต่การตรวจยังควรเน้นช่วงไม่ชัดหรือพูดซ้อน สำหรับสัมภาษณ์ เก็บลำดับรอบพูดและหยุด แทนตัดบริบทที่ช่วยตีความคำตอบ
การตรวจภาษาอัตโนมัติมีประโยชน์เมื่อไม่ทราบภาษาล่วงหน้า ชุด 60 ภาษาตามเอกสารรวมอังกฤษ รัสเซีย จีน ญี่ปุ่น เกาหลี อาหรับ ฝรั่งเศส เยอรมัน สเปน อินโดนีเซีย มลายู ไทย และเวียดนาม การสลับภาษาครอบคลุมการเปลี่ยนตามธรรมชาติ รวมคู่ผสมอย่าง Hinglish หรือ Spanglish อินเทอร์เฟซผู้ผลิตยังรับคำใบ้ภาษาเดียว ซึ่งอธิบายว่าเป็นคำสั่งที่มีน้ำหนักมาก ใช้เมื่อเสียงเป็นภาษาที่ระบุจริงเท่านั้น แทนบังคับบทสนทนาหลายภาษาให้เป็นภาษาเดียวที่คาด
การให้น้ำหนักคำสำคัญส่งศัพท์เฉพาะโดเมน ตัวย่อ ชื่อผลิตภัณฑ์ และชื่อเฉพาะที่อาจแยกจากเสียงยาก เตรียมรายการตรงเนื้อหา เช่น ชื่อโครงการ สายผลิตภัณฑ์ หรือคำเทคนิคในการสนทนา คู่มือการให้บริการอธิบายว่าเป็นคำใบ้การรู้จำ ไม่ใช่บังคับให้ตรง สำหรับบรรยายเทคนิค ใส่การสะกดชื่อเครื่องมือและศัพท์เฉพาะตรงตัว แล้วตรวจว่าบทถอดวางตรงจุดที่พูดจริงหรือไม่ คำที่ส่งไม่ใช่หลักฐานว่าผู้พูดได้พูดคำนั้น
เลือกรูปแบบผลตามชิ้นงานที่ตั้งใจ Verbatim ซึ่งเป็นค่าเริ่มต้นตามเอกสารเก็บคำเติม การเริ่มพูดแล้วหยุด และการแก้คำของตน Clean ตัดความไม่ลื่นไหลเพื่อบทถอดอ่านง่าย บันทึกที่ใช้ตรวจว่าการสนทนาดำเนินอย่างไรอาจเก็บการลังเลและแก้คำ ส่วนบทถอดบทเรียนให้อ่านอาจใช้ถ้อยคำสะอาด เก็บเสียงต้นฉบับไว้กับผลทั้งสองแบบ การทำความสะอาดปรับการนำเสนอคำพูด ไม่ควรถือเป็นบทสรุปแยกหรือการตีความเจตนาผู้พูดใหม่
การแยกผู้พูดแบ่งรอบตามผู้พูดที่ตรวจพบ และเวลาระดับคำให้ตำแหน่งเริ่มกับระยะเวลาของแต่ละคำ อินเทอร์เฟซให้บริการยังมีเวลาระดับส่วนหรือไม่ระบุเวลา ส่วนถูกแบ่งตามภาษา และตามผู้พูดเมื่อเปิดการแยกผู้พูด ฟิลด์เวลาใช้มิลลิวินาทีและช่วยนำทาง ค้น และแก้ไขได้ ป้ายแยกผู้พูดที่ตรวจพบ การจับป้ายกับชื่อผู้ร่วมเป็นขั้นตรวจต่างหาก สำหรับคำบรรยาย ใช้เวลาคำที่ตรวจแล้วเตรียมกลุ่มข้อความอ่านได้ แทนสมมติว่าผลรู้จำเป็นไฟล์คำบรรยายเสร็จแล้ว
การ์ดโมเดลระบุขนาดไฟล์สูงสุด 300 MB และสองชั่วโมง แต่อ้างอิง REST แบบซิงโครนัสที่เชื่อมสำหรับอินเทอร์เฟซ 2025-10-15 ตามเอกสารกำหนดไฟล์เล็กกว่า 250 MB และสั้นกว่าสองชั่วโมง นี่เป็นข้อจำกัดเผยแพร่ของการ์ดกับการให้บริการคนละส่วน เตรียมไฟล์ภายในงบการให้บริการที่ใช้ คู่มือ MAI ยังระบุว่าการแยกผู้พูดรองรับเสียงสั้นกว่าการถอดโดยไม่แยกผู้พูด จัดเนื้อหายาวหลายผู้พูดเป็นส่วนต่อเนื่องที่มีความหมายเมื่อจำเป็นต้องระบุผู้พูด และเก็บตำแหน่งส่วนในเสียงต้นฉบับเพื่อตรวจภายหลัง
ผลตามเอกสารเป็นข้อมูลถอดเสียงมีโครงสร้าง ได้แก่ข้อความเต็ม วลี และข้อมูลผู้พูดกับเวลาเมื่อขอ วลีอาจมีข้อความ ภาษา ตำแหน่งเริ่ม และระยะเวลา เวลาคำเชื่อมคำรู้จำกับเสียงได้ สำหรับคลังค้นหาได้ รักษาความสัมพันธ์เหล่านี้เพื่อให้คำที่ค้นพบพากลับเสียงบันทึก สำหรับเวิร์กโฟลว์ประชุม บทถอดที่ตรวจแล้วเป็นอินพุตให้สรุปหรือสกัดรายการงานภายหลัง ผลโมเดลเสียงเป็นเนื้อหาที่รู้จำ ไม่ใช่บันทึกมติประชุมที่ตรวจยืนยันอย่างอิสระ
ความต่างเวอร์ชันเป็นรูปธรรม MAI-Transcribe 1.5 ครอบคลุม 43 ภาษา ส่วนรุ่นนี้ครอบคลุม 60 และเพิ่มการแยกผู้พูด เวลาคำ และตัวควบคุม clean/verbatim ตามเอกสาร MAI-Transcribe 2 Streaming เป็นอีกโมเดลสำหรับถอดเรียลไทม์แบบทยอยพร้อมคุณสมบัติของตน เวลาแฝงผลบางส่วนแรกของมันไม่ได้อธิบายรุ่นเสียงบันทึกนี้ ตรวจบทถอดกับเสียงในเรื่องชื่อ ตัวเลข รอบผู้พูด และช่วงผสมภาษา ก่อนใช้เป็นต้นทางคำบรรยาย คำอ้าง หรือเอกสารต่อยอด
Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions microsoft/mai-transcribe-2
microsoft/mai-transcribe-2เริ่มต้น
Microsoft AI MAI-Transcribe 2 แปลงเสียงพูดบันทึกเป็นข้อความใน 60 ภาษา พร้อมระบุภาษาอัตโนมัติและสลับภาษา เพิ่มการแยกผู้พูด เวลาระดับคำ การให้น้ำหนักคำสำคัญ และรูปแบบสะอาดหรือตรงคำพูด สำหรับบันทึกประชุม คำบรรยาย เสียงค้นหาได้ และการเขียนตามคำบอกเฉพาะทาง
- อินพุตที่รองรับ
- เสียง
- ผลลัพธ์
- ข้อความ
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions
- ขาเข้า
audio- ขาออก
text
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด microsoft/mai-transcribe-2 | ค่าเริ่มต้น— |
ฟิลด์input_audio | ประเภทobject | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์language | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์temperature | ประเภทnumber | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด ขั้นต่ำ: 0 สูงสุด: 1 | ค่าเริ่มต้น— |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด json, verbose_json | ค่าเริ่มต้นjson |
ฟิลด์timestamp_granularities | ประเภทarray | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์provider | ประเภทobject | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์content_type | ข้อกำหนดapplication/json |
พารามิเตอร์required | ข้อกำหนดmodel, input_audio |
พารามิเตอร์material_types | ข้อกำหนดaudio |
พารามิเตอร์material_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 $0.2 ต่อชั่วโมงของเสียงอินพุต |
| การตั้งค่าต้นทุนการสร้างโดยประมาณ | ตารางอัตราค่าบริการ— | ปริมาณคาดการณ์ค่าประมาณสำหรับการสร้างหนึ่งครั้ง | หน่วยคิดค่าบริการ— | ค่าบริการ ขาออก · ค่าใช้จ่ายในการสร้างโดยประมาณ · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.00005555555555555556 ประมาณการก่อนสร้าง ค่าประมาณนี้ไม่ใช่ค่าใช้จ่ายเพิ่มเติมหรืออัตราคงที่สำหรับการสร้างผลลัพธ์ที่เสร็จสมบูรณ์แล้ว |
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot Ultra · การถอดเสียง
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
รับและบันทึกผลลัพธ์
Ailoot Ultra · การถอดเสียง
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
การอ่านเนื้อหาแบบอื่น
set -eu
: "${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 |
|---|---|
ฟิลด์text | ประเภท |
ฟิลด์usage | ประเภท |
ฟิลด์segments[] | ประเภท |
ฟิลด์words[] | ประเภท |
ฟิลด์speaker fields | ประเภท |
ฟิลด์timestamps | ประเภท |
ชื่ออื่น
ชื่ออื่นของโมเดล
Ailoot Ultra microsoft/mai-transcribe-2
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · Microsoft AI: MAI-Transcribe 2
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/transcriptions·microsoft/mai-transcribe-2:audio→text- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/transcriptions·microsoft/mai-transcribe-2:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- มีข้อจำกัดใดบ้าง?
POST /v1/audio/transcriptions·microsoft/mai-transcribe-2:temperature.minimum:0;temperature.maximum:1