Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 avtomatik til aniqlash hamda aksentlar va shovqinli audioga e’tibor bilan yozib olingan nutqni 43 tilda matnga aylantiradi. Model tavsifi nomlar va maxsus atamalar uchun sohaga mos kalit so‘z yo‘naltirishini tavsiflaydi. Transkriptni tekshirilgan qaydlar yoki subtitrlar asosi sifatida ishlating.

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

Model haqida

Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.

Microsoft AI MAI-Transcribe 1.5 — yozib olingan audioni yozma mazmunga aylantirish uchun nutqni matnga o‘girish modeli. Aynan uning tavsifi 43 tilda tanish, avtomatik til aniqlash hamda aksent, lahja, so‘zlash uslubi va shovqinli sharoitlarda barqarorlikni ko‘rsatadi. Nashr MAI-Transcribe 1’ning 25 tilli to‘plamiga o‘n sakkiz til qo‘shadi. Foydali natija — ma’ruza, intervyu, qo‘ng‘iroq yoki ovozli qayddagi yozma nutq; uni keyingi tahrir yoki tahlildan oldin yozuv bilan tekshirish mumkin.

Ishlab chiqaruvchi sanagan WAV, MP3 yoki FLAC formatlaridan birida to‘liq, tushunarli yozuv tayyorlang. Transkript audioga solishtirilishi uchun asl fayl va bo‘limlarga ajratish ma’lumotlarini saqlang. Ma’ruzada faqat qiyin so‘zni ajratish o‘rniga texnik atama atrofidagi iboralarni saqlang. Ovozli qaydda ism, vaqt yoki sonni o‘zgartiradigan tuzatishni saqlang. Atrofdagi nutq nima aytilganini tanish uchun kontekst beradi, tinglovchi tekshiruvi esa chiqishni qayerda tuzatish kerakligini aniqlashi mumkin.

Avtomatik til aniqlash yozuvni oldindan til tanlashni talab qilmasdan qayta ishlashga imkon beradi. 43 tilli to‘plamga ingliz, fransuz, nemis, italyan, ispan, hind, xitoy, yapon, koreys, arab, indonez, rus, tay va vyetnam tillari kiradi. Qo‘shilgan tillarga bolgar, katalan, yunon, ukrain va bir nechta Janubiy Osiyo tillari kiradi. MAI-Transcribe 2’ning kengroq qamrovini ko‘chirmasdan, kerakli til aynan shu nashr to‘plamida borligini tekshiring. Ko‘p tilli to‘plamlarda keyingi tahrir haqiqiy og‘zaki mazmunga amal qilishi uchun yozuv tilini tekshirilgan matn bilan saqlang.

1.5 tavsifi 200 tagacha atama bilan kalit so‘z yoki nomlangan obyektga yo‘naltirishni tavsiflaydi; reliz maqsadni tushuntiradi: ehtimoliy nomlar, qisqartmalar va maxsus so‘zlarni kontekst sifatida berish. Ishlab chiqaruvchi berilgan so‘zlarni natijaga ko‘r-ko‘rona majburlash emas, kontekstual ishoralarni tavsiflaydi. Loyiha nomi, texnik asbob yoki yozuvda muhokama qilingan odam ismining to‘g‘ri yozilishi kabi tegishli lug‘at tayyorlang. Shu atamalarni haqiqiy yozuv konteksti sifatida ishlating va tanilgan atamalarni nutq bilan tekshiring.

Yozib olingan muhandislik darsida muhokamadagi asboblar nomlari va har loyiha qisqartmasining aniq yozilishini tayyorlang. Ularni aniq yo‘naltirilgan atamalar ro‘yxatiga yozing va ro‘yxatni audio hamda transkript yonida saqlang. Lug‘at yozuvini moslik isboti deb ko‘rmasdan, shu atamalar uchragan joylarni og‘zaki parchalar bilan tekshiring. O‘xshash jaranglaydigan nomlar baribir tekshiruvga muhtoj bo‘lishi mumkin. Natija haqiqatan aytilgan so‘zlarni, jumladan ma’noni o‘zgartiradigan tuzatish yoki aniqlikni saqlashi kerak.

Ishlab chiqaruvchi haqiqiy sharoitdagi audio, jumladan fon shovqini va turli mikrofon sharoitidagi sifatni ta’kidlaydi. Amaliy tekshiruv bir vaqtda nutq, past ovozlar yoki boshqa tovush qisman yopgan so‘zlar bor parchalarga qaratilishi mumkin. Noaniqliklarni mavzu haqidagi farazlardan to‘ldirish o‘rniga tegishli audio parchasiga bog‘lang. Ishonarli jumlada ham noto‘g‘ri atoqli ot yoki son bo‘lishi mumkin. Qo‘ng‘iroq transkriptida foydali material qo‘ng‘iroq qiluvchi niyatining taxminiy hisobi emas, keyingi tahlil foydalana oladigan tekshirilgan og‘zaki mazmun qaydidir.

Aynan 1.5 model tavsifi maksimal fayl hajmini 300 MB va ikki soat deb ko‘rsatadi. Bog‘langan sinxron transkripsiya REST ma’lumotnomasi qat’iyroq xizmat kirishini tavsiflaydi: 250 MB’dan kichik va ikki soatdan qisqa. Bular model tavsifi va interfeysning alohida aytilgan limitlaridir. Fayllarni mo‘ljallangan interfeys limitiga mos tayyorlang va uzunroq materialni mazmunli yozuv chegaralari bo‘yicha tartiblang. Fayl hajmi limiti kodlangan audioga, davomiylik limiti nutq yozuvining uzunligiga tegishli; hech biri matn modelining kontekst oynasini belgilamaydi.

Model tavsifining namuna chiqishi yozuv davomiyligi va birlashtirilgan tanilgan matnni saqlovchi JSON’dir. Matn foydalanishga qulay transkript, subtitr ssenariysi yoki keyingi qisqa mazmun va qidiruv uchun kirishga aylanishi mumkin. Natijada kerakli vaqt ma’lumotlari bo‘lmasa, subtitr bo‘laklarini guruhlash va yozuvga moslashtirish alohida tayyorgarlikdir. Intervyu qaydlarida jumlani nomlangan qatnashchiga nisbat berish kim gapirganining alohida tekshirilgan qaydini talab qiladi. Tanilgan matn va audioni shu keyingi materiallar asosi sifatida saqlang.

Chiqishni rejalashda nashr chegaralari muhim. 1.5 tavsifi so‘zlovchilarni ajratishni qo‘llab-quvvatlanadigan imkoniyatlardan ochiq chiqaradi; ishlab chiqaruvchining versiya taqqoslashi so‘z darajasidagi vaqt belgilari va clean/verbatim uslub boshqaruvlarini MAI-Transcribe 2’ga beradi. Oqimli ishlashni bevosita qo‘llab-quvvatlaydigan model ham alohida nashr. Shu sabab 1.5 varianti boshqa nashrning so‘zlovchi, vaqt yoki jonli kirish xususiyatlarini natijaga qo‘shmasdan, yozuvlardan tanilgan matn va hujjatlashtirilgan soha kontekstiga qaratiladi. Iqtibos, subtitr yo‘lagi yoki hosila hujjatni tayyorlashdan oldin nomlar, sonlar, texnik atamalar va noaniq nutqni tekshiring.

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

microsoft/mai-transcribe-1.5

Microsoft AI /microsoft/mai-transcribe-1.5

Boshlash

Qabul qilinadigan kirish ma’lumotlari: Audio
Natijalar: Matn

Ailoot da mavjud · kirish ma’lumotlari va usullar

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions

Kirish: audio
Chiqish: text

Maydon	Tur	Talab	Qiymatlar va cheklovlar	Standart
Maydon`model`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar microsoft/mai-transcribe-1.5	Standart—
Maydon`input_audio`	Tur`object`	TalabMajburiy	Qiymatlar va cheklovlar	Standart—
Maydon`language`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—
Maydon`temperature`	Tur`number`	TalabIxtiyoriy	Qiymatlar va cheklovlar Eng kam: 0 Eng ko‘p: 1	Standart—
Maydon`response_format`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar json, verbose_json	Standartjson
Maydon`timestamp_granularities`	Tur`array`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—
Maydon`provider`	Tur`object`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—

Usul parametrlari va hayot sikli

Parametr	Parametr talablari
Parametr`content_type`	Parametr talablariapplication/json
Parametr`required`	Parametr talablarimodel, input_audio
Parametr`material_types`	Parametr talablariaudio
Parametr`material_conditions`	Parametr talablariHaqiqiy WAV faylini o‘qing va e’lon qilingan JSON input_audio uchun uning haqiqiy baytlarini kodlang; faqat JSON uchun berilgan aynan shu deklaratsiyada multipart yo‘nalishi taklif qilinmaydi.

Hayot sikli: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Tariflar

Yakuniy to‘lov qanday hisoblanadi

Ko‘rsatilgan tariflar xarajatni generatsiyadan oldin taxminiy hisoblash uchun xizmat qiladi. Yakuniy to‘lov dastlabki generatsiya uchun qayd etilgan xarajat asosida hisoblanadi. Natijaning o‘lchangan davomiyligi va oldindan taxmin qilingan miqdorlar haq undiriladigan yakuniy miqdor hisoblanmaydi.

Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.

Tezkor rejim: Ko‘rsatilmagan Tezkor rejim tanlanganda
Flex rejimi: Ko‘rsatilmagan flex rejimi tanlanganda
Maksimal fikrlash darajasi: Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda

Taqqoslash uchun taxminiy tariflar

Sozlamalar bo‘yicha narxlar

Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.

Sozlama	Tariflar jadvali	Prognoz miqdori	Hisob birligi	To‘lov
SozlamaTokenlar uchun bazaviy tariflar	Tariflar jadvaliAsosiy tarif	Prognoz miqdori—	Hisob birligi—	To‘lov Kirish · Kirish tokenlari · Faqat taqqoslash uchun taxmin — / 1K token Chiqish · Chiqish tokenlari · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshdan o‘qish · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshga yozish · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshga yozish, 1 soat · Faqat taqqoslash uchun taxmin — / 1K token
SozlamaKirish audiosi soati	Tariflar jadvali—	Prognoz miqdori—	Hisob birligikirish audiosining soati uchun	To‘lov Kirish · Kirish audiosi soati · Faqat taqqoslash uchun taxmin $0.72 kirish audiosining soati uchun
SozlamaYaratishning taxminiy qiymati	Tariflar jadvali—	Prognoz miqdoribir generatsiya uchun taxmin	Hisob birligi—	To‘lov Chiqish · Yaratishning taxminiy narxi · Faqat taqqoslash uchun taxmin $0.0002 yaratishdan oldingi taxmin Bu taxmin qo‘shimcha to‘lov ham, tugallangan generatsiya uchun qat’iy tarif ham emas.

Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →

So‘rov namunalari

Ailoot Ultra · Transkripsiya

curl · Asl API formatiga aynan mos so‘rov tanasi va to‘liq natija

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.

Natijalarni olish va saqlash

Ailoot Ultra · Transkripsiya

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

Boshqa kontentni o‘qish

O‘zingizga tegishli mavjud materiallarni o‘qish

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.

Barcha tayyor natijalarni saqlash

Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.

To‘liq javob va sarlavhalarni, amalda qaytarilgan barcha natijalarni, dastlab qaytarilgan identifikatorlarni hamda barcha usage maydonlarini saqlang. Yaratish so‘rovini qayta yubormasdan dastlabki operatsiyani tiklang.

Asl javobni tekshirish kerak bo‘lsa

Qaytarilgan X-Client-Request-ID ni ma’lumotlarni solishtirib tekshirish uchun saqlang. Faqat amalda qaytarilgan task_id/asset_id qiymatlari bo‘yicha yoki o‘zingizga tegishli media kutubxonasidan ma’lumot o‘qing; operatsiya ID sidan vazifa URL manzilini hech qachon tuzmang va yaratish so‘rovini qayta yubormang.

Javob maydonlari

Maydon	Tur
Maydon`text`	Tur
Maydon`usage`	Tur
Maydon`segments[]`	Tur
Maydon`words[]`	Tur
Maydon`speaker fields`	Tur
Maydon`timestamps`	Tur

Taxalluslar

Model taxalluslari

Ailoot Ultra microsoft/mai-transcribe-1.5

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

microsoft/mai-transcribe-1.5

FAQ · Microsoft AI: MAI-Transcribe 1.5

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: audio → text
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Qanday cheklovlar amal qiladi?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-1.5: temperature.minimum: 0; temperature.maximum: 1

Microsoft AI: MAI-Transcribe 1.5