{ "aboutHtml": "

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

", "aboutText": "Microsoft AI MAI-Transcribe 2 เป็นรุ่นแปลงเสียงบันทึกเป็นข้อความในตระกูลถอดเสียงเจเนอเรชันสองของ Microsoft แปลงเนื้อหาพูดเป็นข้อความใน 60 ภาษา พร้อมระบุภาษาอัตโนมัติและรองรับคำพูดสลับภาษา โมเดลเพิ่มการแยกผู้พูด เวลาระดับคำ และเลือกรูปแบบถอดเสียงได้ ชิ้นงานมีประโยชน์รวมบทถอดประชุมที่ระบุผู้พูด บันทึกสัมภาษณ์ค้นหาได้ ข้อมูลจัดแนวคำบรรยาย หรือข้อความเขียนตามคำบอกที่ตรวจแล้วและมีศัพท์เฉพาะ\n\nเตรียมเสียงบันทึกโดยรักษาเนื้อหาพูดครบ ผู้ผลิตระบุอินพุต WAV, MP3 และ FLAC เก็บเสียงต้นฉบับไว้เพื่อเทียบคำ ชื่อ และตัวเลขที่ไม่แน่ใจกับข้อความรู้จำ เสียงอาจมีเสียงรบกวนหรือคุณภาพไมค์ต่างกัน ซึ่งโมเดลออกแบบให้จัดการได้ แต่การตรวจยังควรเน้นช่วงไม่ชัดหรือพูดซ้อน สำหรับสัมภาษณ์ เก็บลำดับรอบพูดและหยุด แทนตัดบริบทที่ช่วยตีความคำตอบ\n\nการตรวจภาษาอัตโนมัติมีประโยชน์เมื่อไม่ทราบภาษาล่วงหน้า ชุด 60 ภาษาตามเอกสารรวมอังกฤษ รัสเซีย จีน ญี่ปุ่น เกาหลี อาหรับ ฝรั่งเศส เยอรมัน สเปน อินโดนีเซีย มลายู ไทย และเวียดนาม การสลับภาษาครอบคลุมการเปลี่ยนตามธรรมชาติ รวมคู่ผสมอย่าง Hinglish หรือ Spanglish อินเทอร์เฟซผู้ผลิตยังรับคำใบ้ภาษาเดียว ซึ่งอธิบายว่าเป็นคำสั่งที่มีน้ำหนักมาก ใช้เมื่อเสียงเป็นภาษาที่ระบุจริงเท่านั้น แทนบังคับบทสนทนาหลายภาษาให้เป็นภาษาเดียวที่คาด\n\nการให้น้ำหนักคำสำคัญส่งศัพท์เฉพาะโดเมน ตัวย่อ ชื่อผลิตภัณฑ์ และชื่อเฉพาะที่อาจแยกจากเสียงยาก เตรียมรายการตรงเนื้อหา เช่น ชื่อโครงการ สายผลิตภัณฑ์ หรือคำเทคนิคในการสนทนา คู่มือการให้บริการอธิบายว่าเป็นคำใบ้การรู้จำ ไม่ใช่บังคับให้ตรง สำหรับบรรยายเทคนิค ใส่การสะกดชื่อเครื่องมือและศัพท์เฉพาะตรงตัว แล้วตรวจว่าบทถอดวางตรงจุดที่พูดจริงหรือไม่ คำที่ส่งไม่ใช่หลักฐานว่าผู้พูดได้พูดคำนั้น\n\nเลือกรูปแบบผลตามชิ้นงานที่ตั้งใจ Verbatim ซึ่งเป็นค่าเริ่มต้นตามเอกสารเก็บคำเติม การเริ่มพูดแล้วหยุด และการแก้คำของตน Clean ตัดความไม่ลื่นไหลเพื่อบทถอดอ่านง่าย บันทึกที่ใช้ตรวจว่าการสนทนาดำเนินอย่างไรอาจเก็บการลังเลและแก้คำ ส่วนบทถอดบทเรียนให้อ่านอาจใช้ถ้อยคำสะอาด เก็บเสียงต้นฉบับไว้กับผลทั้งสองแบบ การทำความสะอาดปรับการนำเสนอคำพูด ไม่ควรถือเป็นบทสรุปแยกหรือการตีความเจตนาผู้พูดใหม่\n\nการแยกผู้พูดแบ่งรอบตามผู้พูดที่ตรวจพบ และเวลาระดับคำให้ตำแหน่งเริ่มกับระยะเวลาของแต่ละคำ อินเทอร์เฟซให้บริการยังมีเวลาระดับส่วนหรือไม่ระบุเวลา ส่วนถูกแบ่งตามภาษา และตามผู้พูดเมื่อเปิดการแยกผู้พูด ฟิลด์เวลาใช้มิลลิวินาทีและช่วยนำทาง ค้น และแก้ไขได้ ป้ายแยกผู้พูดที่ตรวจพบ การจับป้ายกับชื่อผู้ร่วมเป็นขั้นตรวจต่างหาก สำหรับคำบรรยาย ใช้เวลาคำที่ตรวจแล้วเตรียมกลุ่มข้อความอ่านได้ แทนสมมติว่าผลรู้จำเป็นไฟล์คำบรรยายเสร็จแล้ว\n\nการ์ดโมเดลระบุขนาดไฟล์สูงสุด 300 MB และสองชั่วโมง แต่อ้างอิง REST แบบซิงโครนัสที่เชื่อมสำหรับอินเทอร์เฟซ 2025-10-15 ตามเอกสารกำหนดไฟล์เล็กกว่า 250 MB และสั้นกว่าสองชั่วโมง นี่เป็นข้อจำกัดเผยแพร่ของการ์ดกับการให้บริการคนละส่วน เตรียมไฟล์ภายในงบการให้บริการที่ใช้ คู่มือ MAI ยังระบุว่าการแยกผู้พูดรองรับเสียงสั้นกว่าการถอดโดยไม่แยกผู้พูด จัดเนื้อหายาวหลายผู้พูดเป็นส่วนต่อเนื่องที่มีความหมายเมื่อจำเป็นต้องระบุผู้พูด และเก็บตำแหน่งส่วนในเสียงต้นฉบับเพื่อตรวจภายหลัง\n\nผลตามเอกสารเป็นข้อมูลถอดเสียงมีโครงสร้าง ได้แก่ข้อความเต็ม วลี และข้อมูลผู้พูดกับเวลาเมื่อขอ วลีอาจมีข้อความ ภาษา ตำแหน่งเริ่ม และระยะเวลา เวลาคำเชื่อมคำรู้จำกับเสียงได้ สำหรับคลังค้นหาได้ รักษาความสัมพันธ์เหล่านี้เพื่อให้คำที่ค้นพบพากลับเสียงบันทึก สำหรับเวิร์กโฟลว์ประชุม บทถอดที่ตรวจแล้วเป็นอินพุตให้สรุปหรือสกัดรายการงานภายหลัง ผลโมเดลเสียงเป็นเนื้อหาที่รู้จำ ไม่ใช่บันทึกมติประชุมที่ตรวจยืนยันอย่างอิสระ\n\nความต่างเวอร์ชันเป็นรูปธรรม 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", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a7b3b656aeccd167372382f8d50fe385cd6e52bf90e1e383ada1a1bb5314b2fc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "th", "methods": [ { "html": "
•

Microsoft AI: MAI-Transcribe 2

Microsoft AI /microsoft/mai-transcribe-2

เริ่มต้น

Microsoft AI MAI-Transcribe 2 แปลงเสียงพูดบันทึกเป็นข้อความใน 60 ภาษา พร้อมระบุภาษาอัตโนมัติและสลับภาษา เพิ่มการแยกผู้พูด เวลาระดับคำ การให้น้ำหนักคำสำคัญ และรูปแบบสะอาดหรือตรงคำพูด สำหรับบันทึกประชุม คำบรรยาย เสียงค้นหาได้ และการเขียนตามคำบอกเฉพาะทาง

อินพุตที่รองรับ
เสียง
ผลลัพธ์
ข้อความ
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

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions
ขาเข้า
audio
ขาออก
text
ฟิลด์ประเภทข้อกำหนดค่าและข้อจำกัดค่าเริ่มต้น
ฟิลด์modelประเภทstringข้อกำหนดจำเป็นค่าและข้อจำกัด
microsoft/mai-transcribe-2
ค่าเริ่มต้น—
ฟิลด์input_audioประเภทobjectข้อกำหนดจำเป็นค่าและข้อจำกัดค่าเริ่มต้น—
ฟิลด์languageประเภทstringข้อกำหนดไม่บังคับค่าและข้อจำกัดค่าเริ่มต้น—
ฟิลด์temperatureประเภทnumberข้อกำหนดไม่บังคับค่าและข้อจำกัด
ขั้นต่ำ: 0
สูงสุด: 1
ค่าเริ่มต้น—
ฟิลด์response_formatประเภทstringข้อกำหนดไม่บังคับค่าและข้อจำกัด
json, verbose_json
ค่าเริ่มต้นjson
ฟิลด์timestamp_granularitiesประเภทarrayข้อกำหนดไม่บังคับค่าและข้อจำกัดค่าเริ่มต้น—
ฟิลด์providerประเภทobjectข้อกำหนดไม่บังคับค่าและข้อจำกัดค่าเริ่มต้น—
พารามิเตอร์และวงจรการทำงานของเมธอด
พารามิเตอร์ข้อกำหนด
พารามิเตอร์content_typeข้อกำหนดapplication/json
พารามิเตอร์requiredข้อกำหนดmodel, input_audio
พารามิเตอร์material_typesข้อกำหนดaudio
พารามิเตอร์material_conditionsข้อกำหนดอ่านไฟล์ 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

การตั้งค่าตารางอัตราค่าบริการปริมาณคาดการณ์หน่วยคิดค่าบริการค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐานตารางอัตราค่าบริการอัตราพื้นฐานปริมาณคาดการณ์—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
การตั้งค่าชั่วโมงเสียงขาเข้าตารางอัตราค่าบริการ—ปริมาณคาดการณ์—หน่วยคิดค่าบริการต่อชั่วโมงของเสียงอินพุตค่าบริการ
ขาเข้า · ชั่วโมงเสียงขาเข้า · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.2 ต่อชั่วโมงของเสียงอินพุต
การตั้งค่าต้นทุนการสร้างโดยประมาณตารางอัตราค่าบริการ—ปริมาณคาดการณ์ค่าประมาณสำหรับการสร้างหนึ่งครั้งหน่วยคิดค่าบริการ—ค่าบริการ
ขาออก · ค่าใช้จ่ายในการสร้างโดยประมาณ · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.00005555555555555556 ประมาณการก่อนสร้าง

ค่าประมาณนี้ไม่ใช่ค่าใช้จ่ายเพิ่มเติมหรืออัตราคงที่สำหรับการสร้างผลลัพธ์ที่เสร็จสมบูรณ์แล้ว

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

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.\n

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

การอ่านเนื้อหาแบบอื่น
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.\n
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
ฟิลด์ประเภท
ฟิลด์textประเภท
ฟิลด์usageประเภท
ฟิลด์segments[]ประเภท
ฟิลด์words[]ประเภท
ฟิลด์speaker fieldsประเภท
ฟิลด์timestampsประเภท

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra microsoft/mai-transcribe-2

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

microsoft/mai-transcribe-2

", "method_identity": { "effective_request_model_id": "microsoft/mai-transcribe-2", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "microsoft/mai-transcribe-2", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|microsoft%2Fmai-transcribe-2", "ordinal": 0, "rawMethod": { "available": null, "billing_basis": { "basis": "original_invoice_usd", "description": "อัตราที่แสดงใช้ประมาณการค่าใช้จ่ายก่อนการสร้างผลลัพธ์ ยอดเรียกเก็บสุดท้ายคำนวณจากค่าใช้จ่ายที่บันทึกไว้สำหรับการสร้างผลลัพธ์ครั้งเดิม ระยะเวลาของผลลัพธ์ที่วัดได้และปริมาณที่คาดการณ์ไว้ไม่ใช่ปริมาณสุดท้ายที่ใช้คิดค่าบริการ", "forecast_quantity_is_estimate": true, "physical_output_is_billable_quantity": false, "version": "original_invoice_usd_v1" }, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "เก็บ X-Client-Request-ID ที่ส่งกลับมาไว้เพื่อกระทบยอด อ่านเฉพาะค่า task_id/asset_id ที่ส่งกลับมาจริง หรืออ่านจากคลังสื่อที่เป็นของตนเอง ห้ามสร้าง URL ของงานจาก ID การดำเนินการ และห้ามส่งคำขอสร้างซ้ำเด็ดขาด" }, "outputs": { "all_results": "เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] }, "parameters": [ { "enum": [ "microsoft/mai-transcribe-2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "name": "input_audio", "required": true, "type": "object" }, { "name": "language", "required": false, "type": "string" }, { "maximum": 1, "minimum": 0, "name": "temperature", "required": false, "type": "number" }, { "default": "json", "default_known": true, "enum": [ "json", "verbose_json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "items": { "enum": [ "segment", "word" ], "type": "string" }, "name": "timestamp_granularities", "required": false, "type": "array" }, { "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "enum": [ "wav", "mp3", "flac", "m4a", "ogg", "webm", "aac" ], "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "language": { "description": "ISO-639-1 code; omitted means auto-detection", "type": "string" }, "model": { "enum": [ "microsoft/mai-transcribe-2" ], "type": "string" }, "provider": { "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "json", "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "type": "string" }, "temperature": { "maximum": 1, "minimum": 0, "type": "number" }, "timestamp_granularities": { "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "type": "array" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "microsoft/mai-transcribe-2" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_conditions": [ "อ่านไฟล์ WAV จริงและเข้ารหัสไบต์จริงสำหรับ input_audio แบบ JSON ที่ประกาศไว้ ข้อกำหนดที่รองรับเฉพาะ JSON นี้ไม่ได้ระบุเส้นทาง multipart" ], "material_types": [ "audio" ], "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Keep the returned X-Client-Request-ID for reconciliation. Read only actual returned task_id/asset_id values or the owned media library; never build a task URL from the operation ID and never resubmit creation." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio hour" }, "label": "input audio hour", "units": [ { "amount": "0.2", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.2", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" } ] }, { "basis": "ค่าประมาณนี้ไม่ใช่ค่าใช้จ่ายเพิ่มเติมหรืออัตราคงที่สำหรับการสร้างผลลัพธ์ที่เสร็จสมบูรณ์แล้ว", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "ต้นทุนการสร้างโดยประมาณ", "units": [ { "amount": "0.00005555555555555556", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00005555555555555556", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "examples": [ { "code": "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 $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n", "label": "curl · exact native body and complete result", "language": "bash" }, { "code": "set -eu\n: \"${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.\n", "label": "Read existing owned assets", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use the exact caller model ID and documented input representation.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "การถอดเสียง", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_transcriptions", "out": null, "output": [ "text" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "original_invoice_usd", "image_input_price": null, "image_output_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio hour" }, "label": "input audio hour", "units": [ { "amount": "0.2", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.2", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" } ] }, { "basis": "This estimate is not an additional charge or a fixed rate for the completed generation.", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "Estimated generation cost", "units": [ { "amount": "0.00005555555555555556", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00005555555555555556", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "request_model_id": "microsoft/mai-transcribe-2", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.2", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.2", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" }, { "amount": "0.00005555555555555556", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00005555555555555556", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } } ], "model_id": "microsoft/mai-transcribe-2", "nativeProvenance": { "input_facts_canonical_sha256": "75949bf9918c26ea8742c8e3342bd2b285044cde378d3eb3e3d8d151a3f1dead", "input_html_sha256": "16615ee5c89326df48992f2a0d120aa02fabb3d8c29c5fbc7a88367252b239b9", "private_audit_sha256": "177eb6596866b1b3c9594c88653ca229c5917c2c9731b94b22f3651f81c8f94b", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/th/microsoft-mai-transcribe-2/", "description": "Microsoft AI MAI-Transcribe 2 แปลงเสียงพูดบันทึกเป็นข้อความใน 60 ภาษา พร้อมระบุภาษาอัตโนมัติและสลับภาษา เพิ่มการแยกผู้พูด เวลาระดับคำ การให้น้ำหนักคำสำคัญ และรูปแบบสะอาดหรือตรงคำพูด สำหรับบันทึกประชุม คำบรรยาย เสียงค้นหาได้ และการเขียนตามคำบอกเฉพาะทาง", "locale": "th", "md_url": "https://ailoot.ai/models/th/microsoft-mai-transcribe-2/index.md", "title": "Microsoft AI: MAI-Transcribe 2 — Ailoot", "url": "https://ailoot.ai/models/th/microsoft-mai-transcribe-2/" }, "rawModel": { "about": "Microsoft AI MAI-Transcribe 2 เป็นรุ่นแปลงเสียงบันทึกเป็นข้อความในตระกูลถอดเสียงเจเนอเรชันสองของ Microsoft แปลงเนื้อหาพูดเป็นข้อความใน 60 ภาษา พร้อมระบุภาษาอัตโนมัติและรองรับคำพูดสลับภาษา โมเดลเพิ่มการแยกผู้พูด เวลาระดับคำ และเลือกรูปแบบถอดเสียงได้ ชิ้นงานมีประโยชน์รวมบทถอดประชุมที่ระบุผู้พูด บันทึกสัมภาษณ์ค้นหาได้ ข้อมูลจัดแนวคำบรรยาย หรือข้อความเขียนตามคำบอกที่ตรวจแล้วและมีศัพท์เฉพาะ\n\nเตรียมเสียงบันทึกโดยรักษาเนื้อหาพูดครบ ผู้ผลิตระบุอินพุต WAV, MP3 และ FLAC เก็บเสียงต้นฉบับไว้เพื่อเทียบคำ ชื่อ และตัวเลขที่ไม่แน่ใจกับข้อความรู้จำ เสียงอาจมีเสียงรบกวนหรือคุณภาพไมค์ต่างกัน ซึ่งโมเดลออกแบบให้จัดการได้ แต่การตรวจยังควรเน้นช่วงไม่ชัดหรือพูดซ้อน สำหรับสัมภาษณ์ เก็บลำดับรอบพูดและหยุด แทนตัดบริบทที่ช่วยตีความคำตอบ\n\nการตรวจภาษาอัตโนมัติมีประโยชน์เมื่อไม่ทราบภาษาล่วงหน้า ชุด 60 ภาษาตามเอกสารรวมอังกฤษ รัสเซีย จีน ญี่ปุ่น เกาหลี อาหรับ ฝรั่งเศส เยอรมัน สเปน อินโดนีเซีย มลายู ไทย และเวียดนาม การสลับภาษาครอบคลุมการเปลี่ยนตามธรรมชาติ รวมคู่ผสมอย่าง Hinglish หรือ Spanglish อินเทอร์เฟซผู้ผลิตยังรับคำใบ้ภาษาเดียว ซึ่งอธิบายว่าเป็นคำสั่งที่มีน้ำหนักมาก ใช้เมื่อเสียงเป็นภาษาที่ระบุจริงเท่านั้น แทนบังคับบทสนทนาหลายภาษาให้เป็นภาษาเดียวที่คาด\n\nการให้น้ำหนักคำสำคัญส่งศัพท์เฉพาะโดเมน ตัวย่อ ชื่อผลิตภัณฑ์ และชื่อเฉพาะที่อาจแยกจากเสียงยาก เตรียมรายการตรงเนื้อหา เช่น ชื่อโครงการ สายผลิตภัณฑ์ หรือคำเทคนิคในการสนทนา คู่มือการให้บริการอธิบายว่าเป็นคำใบ้การรู้จำ ไม่ใช่บังคับให้ตรง สำหรับบรรยายเทคนิค ใส่การสะกดชื่อเครื่องมือและศัพท์เฉพาะตรงตัว แล้วตรวจว่าบทถอดวางตรงจุดที่พูดจริงหรือไม่ คำที่ส่งไม่ใช่หลักฐานว่าผู้พูดได้พูดคำนั้น\n\nเลือกรูปแบบผลตามชิ้นงานที่ตั้งใจ Verbatim ซึ่งเป็นค่าเริ่มต้นตามเอกสารเก็บคำเติม การเริ่มพูดแล้วหยุด และการแก้คำของตน Clean ตัดความไม่ลื่นไหลเพื่อบทถอดอ่านง่าย บันทึกที่ใช้ตรวจว่าการสนทนาดำเนินอย่างไรอาจเก็บการลังเลและแก้คำ ส่วนบทถอดบทเรียนให้อ่านอาจใช้ถ้อยคำสะอาด เก็บเสียงต้นฉบับไว้กับผลทั้งสองแบบ การทำความสะอาดปรับการนำเสนอคำพูด ไม่ควรถือเป็นบทสรุปแยกหรือการตีความเจตนาผู้พูดใหม่\n\nการแยกผู้พูดแบ่งรอบตามผู้พูดที่ตรวจพบ และเวลาระดับคำให้ตำแหน่งเริ่มกับระยะเวลาของแต่ละคำ อินเทอร์เฟซให้บริการยังมีเวลาระดับส่วนหรือไม่ระบุเวลา ส่วนถูกแบ่งตามภาษา และตามผู้พูดเมื่อเปิดการแยกผู้พูด ฟิลด์เวลาใช้มิลลิวินาทีและช่วยนำทาง ค้น และแก้ไขได้ ป้ายแยกผู้พูดที่ตรวจพบ การจับป้ายกับชื่อผู้ร่วมเป็นขั้นตรวจต่างหาก สำหรับคำบรรยาย ใช้เวลาคำที่ตรวจแล้วเตรียมกลุ่มข้อความอ่านได้ แทนสมมติว่าผลรู้จำเป็นไฟล์คำบรรยายเสร็จแล้ว\n\nการ์ดโมเดลระบุขนาดไฟล์สูงสุด 300 MB และสองชั่วโมง แต่อ้างอิง REST แบบซิงโครนัสที่เชื่อมสำหรับอินเทอร์เฟซ 2025-10-15 ตามเอกสารกำหนดไฟล์เล็กกว่า 250 MB และสั้นกว่าสองชั่วโมง นี่เป็นข้อจำกัดเผยแพร่ของการ์ดกับการให้บริการคนละส่วน เตรียมไฟล์ภายในงบการให้บริการที่ใช้ คู่มือ MAI ยังระบุว่าการแยกผู้พูดรองรับเสียงสั้นกว่าการถอดโดยไม่แยกผู้พูด จัดเนื้อหายาวหลายผู้พูดเป็นส่วนต่อเนื่องที่มีความหมายเมื่อจำเป็นต้องระบุผู้พูด และเก็บตำแหน่งส่วนในเสียงต้นฉบับเพื่อตรวจภายหลัง\n\nผลตามเอกสารเป็นข้อมูลถอดเสียงมีโครงสร้าง ได้แก่ข้อความเต็ม วลี และข้อมูลผู้พูดกับเวลาเมื่อขอ วลีอาจมีข้อความ ภาษา ตำแหน่งเริ่ม และระยะเวลา เวลาคำเชื่อมคำรู้จำกับเสียงได้ สำหรับคลังค้นหาได้ รักษาความสัมพันธ์เหล่านี้เพื่อให้คำที่ค้นพบพากลับเสียงบันทึก สำหรับเวิร์กโฟลว์ประชุม บทถอดที่ตรวจแล้วเป็นอินพุตให้สรุปหรือสกัดรายการงานภายหลัง ผลโมเดลเสียงเป็นเนื้อหาที่รู้จำ ไม่ใช่บันทึกมติประชุมที่ตรวจยืนยันอย่างอิสระ\n\nความต่างเวอร์ชันเป็นรูปธรรม 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", "alias_of": null, "aliases": [], "author": "Microsoft AI", "capabilities": { "context_length": 0, "manufacturer_input": [ "audio" ], "manufacturer_output": [ "transcription" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00005555555555555556", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00005555555555555556", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ], "summary": "ดูราคาตามการกำหนดค่าแบบครบถ้วนในรายละเอียด" } ], "ctx": null, "formats": [ "transcriptions" ], "id": "microsoft/mai-transcribe-2", "input": [ "audio" ], "kind": "audio", "max_out": null, "methods": [ { "available": null, "billing_basis": { "basis": "original_invoice_usd", "description": "อัตราที่แสดงใช้ประมาณการค่าใช้จ่ายก่อนการสร้างผลลัพธ์ ยอดเรียกเก็บสุดท้ายคำนวณจากค่าใช้จ่ายที่บันทึกไว้สำหรับการสร้างผลลัพธ์ครั้งเดิม ระยะเวลาของผลลัพธ์ที่วัดได้และปริมาณที่คาดการณ์ไว้ไม่ใช่ปริมาณสุดท้ายที่ใช้คิดค่าบริการ", "forecast_quantity_is_estimate": true, "physical_output_is_billable_quantity": false, "version": "original_invoice_usd_v1" }, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "เก็บ X-Client-Request-ID ที่ส่งกลับมาไว้เพื่อกระทบยอด อ่านเฉพาะค่า task_id/asset_id ที่ส่งกลับมาจริง หรืออ่านจากคลังสื่อที่เป็นของตนเอง ห้ามสร้าง URL ของงานจาก ID การดำเนินการ และห้ามส่งคำขอสร้างซ้ำเด็ดขาด" }, "outputs": { "all_results": "เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] }, "parameters": [ { "enum": [ "microsoft/mai-transcribe-2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "name": "input_audio", "required": true, "type": "object" }, { "name": "language", "required": false, "type": "string" }, { "maximum": 1, "minimum": 0, "name": "temperature", "required": false, "type": "number" }, { "default": "json", "default_known": true, "enum": [ "json", "verbose_json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "items": { "enum": [ "segment", "word" ], "type": "string" }, "name": "timestamp_granularities", "required": false, "type": "array" }, { "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "enum": [ "wav", "mp3", "flac", "m4a", "ogg", "webm", "aac" ], "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "language": { "description": "ISO-639-1 code; omitted means auto-detection", "type": "string" }, "model": { "enum": [ "microsoft/mai-transcribe-2" ], "type": "string" }, "provider": { "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "json", "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "type": "string" }, "temperature": { "maximum": 1, "minimum": 0, "type": "number" }, "timestamp_granularities": { "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "type": "array" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "microsoft/mai-transcribe-2" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_conditions": [ "อ่านไฟล์ WAV จริงและเข้ารหัสไบต์จริงสำหรับ input_audio แบบ JSON ที่ประกาศไว้ ข้อกำหนดที่รองรับเฉพาะ JSON นี้ไม่ได้ระบุเส้นทาง multipart" ], "material_types": [ "audio" ], "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Keep the returned X-Client-Request-ID for reconciliation. Read only actual returned task_id/asset_id values or the owned media library; never build a task URL from the operation ID and never resubmit creation." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio hour" }, "label": "input audio hour", "units": [ { "amount": "0.2", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.2", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" } ] }, { "basis": "ค่าประมาณนี้ไม่ใช่ค่าใช้จ่ายเพิ่มเติมหรืออัตราคงที่สำหรับการสร้างผลลัพธ์ที่เสร็จสมบูรณ์แล้ว", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "ต้นทุนการสร้างโดยประมาณ", "units": [ { "amount": "0.00005555555555555556", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00005555555555555556", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "examples": [ { "code": "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 $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n", "label": "curl · exact native body and complete result", "language": "bash" }, { "code": "set -eu\n: \"${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.\n", "label": "Read existing owned assets", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use the exact caller model ID and documented input representation.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "การถอดเสียง", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_transcriptions", "out": null, "output": [ "text" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "original_invoice_usd", "image_input_price": null, "image_output_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio hour" }, "label": "input audio hour", "units": [ { "amount": "0.2", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.2", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" } ] }, { "basis": "This estimate is not an additional charge or a fixed rate for the completed generation.", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "Estimated generation cost", "units": [ { "amount": "0.00005555555555555556", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00005555555555555556", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "request_model_id": "microsoft/mai-transcribe-2", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.2", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "stt_hour", "label": "input audio hour", "native_amount_usd_per_unit": "0.2", "native_quantity": 1, "public_unit_label": "per input audio hour", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "stt_hour" }, { "amount": "0.00005555555555555556", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00005555555555555556", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "model_aliases": [ { "canonical_model_id": "microsoft/mai-transcribe-2", "request_model_id": "microsoft/mai-transcribe-2", "route_label": "Ultra" } ], "name": "Microsoft AI: MAI-Transcribe 2", "price": { "estimate_only": true, "in": null, "in_label": null, "out": 5.555555555555556e-05, "out_label": "estimate before generation", "scope_label": "Estimated generation cost", "sort_in": null, "sort_out": 5.555555555555556e-05, "varies": false }, "short": "Microsoft AI MAI-Transcribe 2 แปลงเสียงพูดบันทึกเป็นข้อความใน 60 ภาษา พร้อมระบุภาษาอัตโนมัติและสลับภาษา เพิ่มการแยกผู้พูด เวลาระดับคำ การให้น้ำหนักคำสำคัญ และรูปแบบสะอาดหรือตรงคำพูด สำหรับบันทึกประชุม คำบรรยาย เสียงค้นหาได้ และการเขียนตามคำบอกเฉพาะทาง" }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Microsoft AI MAI-Transcribe 2 แปลงเสียงพูดบันทึกเป็นข้อความใน 60 ภาษา พร้อมระบุภาษาอัตโนมัติและสลับภาษา เพิ่มการแยกผู้พูด เวลาระดับคำ การให้น้ำหนักคำสำคัญ และรูปแบบสะอาดหรือตรงคำพูด สำหรับบันทึกประชุม คำบรรยาย เสียงค้นหาได้ และการเขียนตามคำบอกเฉพาะทาง", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "bd23f8c5efdf434f7449a1c069e867f78052099f124ef6203a6865279af4c657", "renderer_sha256": "890edb706fafafdd4f598bb324acf65fada58918b0911b97eb80e68be2ef65d9" }, "sourceRevision": "58dc50610da0d6b66cfd7599cfa69c68a8a01c5109232a1939f43eb320537b55" }