Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 chuyển giọng nói ghi sẵn thành văn bản ở 60 ngôn ngữ, tự nhận diện ngôn ngữ và hỗ trợ lời nói chuyển đổi giữa các ngôn ngữ. Mô hình bổ sung phân tách người nói, thời gian theo từ, gợi ý ưu tiên từ khóa và kiểu chép lời làm sạch hoặc nguyên văn cho biên bản họp, phụ đề, âm thanh có thể tìm kiếm và đọc chính tả chuyên ngành.

Ailoot Ultra · Phiên âm POST /v1/audio/transcriptions microsoft/mai-transcribe-2

Về mô hình

Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.

Microsoft AI MAI-Transcribe 2 là phiên bản chuyển giọng nói từ âm thanh ghi sẵn thành văn bản trong họ chép lời thế hệ thứ hai của Microsoft. Nó chuyển nội dung nói thành văn bản ở 60 ngôn ngữ, tự nhận diện ngôn ngữ và hỗ trợ lời nói chuyển giữa ngôn ngữ. Mô hình bổ sung phân tách người nói, thời gian cấp từ và phong cách chép lời có thể chọn. Sản phẩm hữu ích gồm bản chép họp gắn người nói, bản ghi phỏng vấn có thể tìm kiếm, dữ liệu căn chỉnh phụ đề hoặc bản đọc chính tả đã kiểm tra chứa thuật ngữ chuyên môn.

Chuẩn bị bản ghi giữ nguyên tư liệu lời nói. Nhà sản xuất liệt kê đầu vào WAV, MP3 và FLAC. Giữ âm thanh gốc để đối chiếu từ chưa chắc, tên và số với văn bản nhận diện. Bản ghi có thể có tiếng ồn nền hoặc chất lượng micro thay đổi, vốn là điều mô hình được thiết kế xử lý, nhưng rà soát vẫn cần tập trung đoạn không rõ hoặc chồng lời. Với phỏng vấn, giữ trình tự lượt và khoảng dừng thay vì bỏ ngữ cảnh giúp diễn giải câu trả lời.

Tự nhận diện ngôn ngữ hữu ích khi chưa biết ngôn ngữ từ trước. Tập 60 ngôn ngữ được mô tả gồm tiếng Anh, Nga, Trung, Nhật, Hàn, Ả Rập, Pháp, Đức, Tây Ban Nha, Indonesia, Mã Lai, Thái và Việt. Khả năng xử lý lời nói chuyển đổi giữa các ngôn ngữ bao phủ những thay đổi ngôn ngữ tự nhiên, gồm các cặp pha như Hinglish hoặc Spanglish. Giao diện nhà sản xuất cũng nhận một gợi ý ngôn ngữ duy nhất, được mô tả là chỉ dẫn mạnh. Chỉ dùng khi bản ghi thực sự bằng ngôn ngữ được chỉ định, thay vì ép hội thoại đa ngôn ngữ vào một ngôn ngữ kỳ vọng.

Gợi ý ưu tiên từ khóa cung cấp thuật ngữ chuyên ngành, chữ viết tắt, tên sản phẩm và tên riêng có thể khó phân biệt chỉ qua âm thanh. Chuẩn bị danh sách tập trung liên quan bản ghi, như tên dự án, dòng sản phẩm hoặc từ kỹ thuật dùng trong thảo luận. Hướng dẫn phục vụ mô tả chúng là gợi ý nhận diện, không phải khớp bắt buộc. Với bài giảng kỹ thuật, đưa đúng cách viết tên thiết bị và thuật ngữ chuyên môn, rồi kiểm tra bản chép có đặt chúng đúng chỗ thực sự được nói không. Thuật ngữ cung cấp không phải bằng chứng người nói đã nói nó.

Chọn phong cách đầu ra theo sản phẩm dự định. Verbatim, mặc định được tài liệu mô tả, giữ từ đệm, chỗ bắt đầu rồi bỏ dở và tự sửa lời. Clean bỏ các điểm thiếu trôi chảy để bản chép dễ đọc hơn. Bản ghi dùng xem diễn biến hội thoại có thể giữ do dự và sửa lời; bản chép bài học dễ đọc có thể dùng lời văn đã làm sạch. Giữ âm thanh gốc cạnh cả hai kết quả. Làm sạch cải thiện trình bày lời nói, không nên coi là tóm tắt riêng hoặc diễn giải mới ý định người nói.

Phân tách người nói chia lượt theo người được phát hiện, còn dấu thời gian cấp từ cung cấp độ lệch và thời lượng từng từ. Giao diện phục vụ cũng có thời gian theo đoạn hoặc không lấy thời gian. Các đoạn chia theo ngôn ngữ và, khi bật phân tách người nói, theo người nói. Trường thời gian dùng mili giây, có thể hỗ trợ điều hướng, tìm kiếm và biên tập. Nhãn phân biệt người nói được phát hiện; ghép nhãn với tên người tham gia là bước rà riêng. Với phụ đề, dùng thời gian từ đã kiểm tra để chuẩn bị nhóm dòng dễ đọc thay vì coi kết quả nhận diện đã là tệp phụ đề hoàn chỉnh.

Thẻ mô hình liệt kê kích thước tệp tối đa 300 MB và hai giờ. Tài liệu REST đồng bộ liên kết cho giao diện 2025-10-15 được mô tả lại yêu cầu tệp nhỏ hơn 250 MB và ngắn hơn hai giờ. Đây là ràng buộc công bố riêng của thẻ mô hình và giao diện phục vụ; chuẩn bị tệp trong ngân sách phục vụ áp dụng. Hướng dẫn MAI cũng nêu phân tách người nói hỗ trợ bản ghi ngắn hơn chép lời không phân tách. Khi cần gắn người nói, tổ chức tư liệu dài nhiều người thành phần mạch lạc và giữ vị trí từng phần trong bản ghi gốc để rà sau.

Đầu ra được mô tả là dữ liệu chép lời có cấu trúc: toàn văn, cụm lời và, khi yêu cầu, thông tin người nói cùng thời gian. Cụm có thể mang văn bản, ngôn ngữ, độ lệch và thời lượng; thời gian từ có thể nối từ nhận diện với âm thanh. Với kho có thể tìm kiếm, giữ các quan hệ để thuật ngữ tìm thấy dẫn về bản ghi. Với quy trình họp, bản chép đã kiểm tra trở thành đầu vào cho tóm tắt hoặc trích việc cần làm về sau. Kết quả mô hình giọng nói là nội dung nhận diện, không phải bản ghi quyết định cuộc họp đã được xác minh độc lập.

Khác biệt phiên bản rất cụ thể. MAI-Transcribe 1.5 bao phủ 43 ngôn ngữ, còn phiên bản này bao phủ 60 và bổ sung các điều khiển phân tách người nói, dấu thời gian từ và clean/verbatim được mô tả. MAI-Transcribe 2 Streaming là mô hình riêng để chép lời tăng dần thời gian thực, có tập tính năng riêng; độ trễ phần đầu tiên của nó không mô tả phiên bản âm thanh ghi sẵn này. Đối chiếu bản chép với âm thanh về tên, số, lượt người nói và đoạn trộn ngôn ngữ trước khi dùng làm nguồn cho phụ đề, trích dẫn hoặc tài liệu phát sinh.

Ailoot Ultra · Phiên âm POST /v1/audio/transcriptions microsoft/mai-transcribe-2

microsoft/mai-transcribe-2

Microsoft AI /microsoft/mai-transcribe-2

Bắt đầu

Đầu vào được chấp nhận: Âm thanh
Kết quả: Văn bản

Có trên Ailoot · đầu vào & phương thức

Ailoot Ultra · Phiên âm POST /v1/audio/transcriptions

Đầu vào: audio
Đầu ra: text

Trường	Loại	Yêu cầu	Giá trị & giới hạn	Mặc định
Trường`model`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn microsoft/mai-transcribe-2	Mặc định—
Trường`input_audio`	Loại`object`	Yêu cầuBắt buộc	Giá trị & giới hạn	Mặc định—
Trường`language`	Loại`string`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn	Mặc định—
Trường`temperature`	Loại`number`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn Tối thiểu: 0 Tối đa: 1	Mặc định—
Trường`response_format`	Loại`string`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn json, verbose_json	Mặc địnhjson
Trường`timestamp_granularities`	Loại`array`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn	Mặc định—
Trường`provider`	Loại`object`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn	Mặc định—

Tham số phương thức và vòng đời

Tham số	Hợp đồng
Tham số`content_type`	Hợp đồngapplication/json
Tham số`required`	Hợp đồngmodel, input_audio
Tham số`material_types`	Hợp đồngaudio
Tham số`material_conditions`	Hợp đồngĐọc tệp WAV thực tế và mã hóa các byte thật cho input_audio JSON đã khai báo; không quảng bá tuyến multipart cho khai báo chính xác chỉ dùng JSON này.

Vòng đời: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Giá trị task_id thực tế đã trả về hoặc bản ghi trong thư viện nội dung đa phương tiện

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Bảng giá

Cách tính phí cuối cùng

Các đơn giá hiển thị dùng để ước tính chi phí trước khi tạo. Khoản phí cuối cùng được tính dựa trên chi phí ghi nhận cho lượt tạo gốc. Thời lượng đầu ra đo được và số lượng dự kiến không phải là số lượng cuối cùng dùng để tính phí.

Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.

Chế độ nhanh: Chưa chỉ định Khi chọn chế độ nhanh
Chế độ Flex: Chưa chỉ định Khi chọn chế độ flex
Mức độ suy luận tối đa: Chưa chỉ định Khi áp dụng mức điều chỉnh mặc định (default) cho mức độ suy luận tối đa

Mức phí ước tính để so sánh

Giá theo cấu hình

Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.

Cấu hình	Biểu mức phí	Số lượng dự báo	Đơn vị tính phí	Phí
Cấu hìnhGiá cơ sở cho token	Biểu mức phíMức phí cơ bản	Số lượng dự báo—	Đơn vị tính phí—	Phí Đầu vào · Token đầu vào · Ước tính chỉ để so sánh — / 1K token Đầu ra · Token đầu ra · Ước tính chỉ để so sánh — / 1K token Đầu vào · Đọc bộ nhớ đệm · Ước tính chỉ để so sánh — / 1K token Đầu vào · Ghi bộ nhớ đệm · Ước tính chỉ để so sánh — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ · Ước tính chỉ để so sánh — / 1K token
Cấu hìnhGiờ âm thanh đầu vào	Biểu mức phí—	Số lượng dự báo—	Đơn vị tính phímỗi giờ âm thanh đầu vào	Phí Đầu vào · Giờ âm thanh đầu vào · Ước tính chỉ để so sánh $0.2 mỗi giờ âm thanh đầu vào
Cấu hìnhChi phí tạo ước tính	Biểu mức phí—	Số lượng dự báoước tính cho một lần tạo	Đơn vị tính phí—	Phí Đầu ra · Chi phí tạo ước tính · Ước tính chỉ để so sánh $0.00005555555555555556 ước tính trước khi tạo Ước tính này không phải là khoản phí bổ sung hay mức giá cố định cho lượt tạo đã hoàn tất.

Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →

Ví dụ yêu cầu

Ailoot Ultra · Phiên âm

curl · nội dung yêu cầu nguyên bản chính xác và kết quả đầy đủ

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.

Nhận và lưu kết quả

Ailoot Ultra · Phiên âm

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

Lượt đọc nội dung khác

Đọc tài nguyên hiện có thuộc về bạn

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.

Lưu tất cả kết quả đã hoàn tất

Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.

Giữ lại toàn bộ phản hồi và các header, mọi đầu ra thực tế, các định danh gốc đã trả về và mọi trường usage. Khôi phục thao tác gốc mà không gửi lại yêu cầu tạo.

Nếu cần kiểm tra phản hồi gốc

Giữ lại X-Client-Request-ID đã trả về để đối soát. Chỉ truy xuất theo các giá trị task_id/asset_id thực tế đã trả về hoặc từ thư viện nội dung đa phương tiện thuộc quyền sở hữu của bạn; tuyệt đối không tạo URL tác vụ từ ID thao tác và không gửi lại yêu cầu tạo.

Trường phản hồi

Trường	Loại
Trường`text`	Loại
Trường`usage`	Loại
Trường`segments[]`	Loại
Trường`words[]`	Loại
Trường`speaker fields`	Loại
Trường`timestamps`	Loại

Bí danh

Bí danh mô hình

Ailoot Ultra microsoft/mai-transcribe-2

Bí danh đường dẫn phương thức

Dùng các đường dẫn phương thức hiển thị ở trên.

ID gọi liên quan

microsoft/mai-transcribe-2

FAQ · Microsoft AI: MAI-Transcribe 2

Có những đầu vào và kết quả nào?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: audio → text
Yêu cầu sử dụng những trường nào?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Áp dụng những giới hạn nào?: POST /v1/audio/transcriptions · microsoft/mai-transcribe-2: temperature.minimum: 0; temperature.maximum: 1

Microsoft AI: MAI-Transcribe 2