Felo API PlatformFelo API Platform
بازگشت به مدل‌ها

Microsoft AI: MAI-Transcribe 2 API

MAI-Transcribe2 مدلی چندزبانه برای تبدیل گفتار به متن است که شناسایی خودکار زبان، تفکیک گویندگان و زمان‌بندی واژه‌ها را فراهم می‌کند.

MAI-Transcribe2 یک مدل چندزبانهٔ تبدیل گفتار به متن است که تیم Microsoft AI آن را توسعه داده است. این مدل ورودی صوتی را می‌پذیرد و متن رونویسی‌شده ارائه می‌دهد؛ زبان را به‌طور خودکار از میان60 زبان تشخیص می‌دهد و می‌تواند گفتارِ آمیخته به چند زبان را پردازش کند. همچنین تفکیک گویندگان، زمان‌بندی در سطح واژه، اولویت‌دهی به واژه‌های تخصصی و انتخاب میان رونویسی کلمه‌به‌کلمه یا ویرایش‌شده را پشتیبانی می‌کند.

این مدل برای زیرنویس و کپشن، رونویسی تماس‌ها و جلسه‌ها، دسترس‌پذیری و برنامه‌های صوتی مناسب است. در جلسه‌ها، نسبت‌دادن گفتار به گویندگان و ساخت متن قابل جست‌وجو می‌تواند به تهیهٔ خلاصه و استخراج اقدام‌ها کمک کند؛ در مراکز تماس نیز رونویسی برای ارزیابی کیفیت، مربی‌گری و رعایت الزامات کاربرد دارد. هم‌ترازی زمان واژه‌ها برای زیرنویس و بومی‌سازی ویدئو مفید است.

طبق اطلاعات اعلام‌شده، پردازش یک ساعت صوت حدود10 ثانیه زمان استنتاج می‌برد. نسخهٔ عمومی پیش‌نمایش، دسته‌ای است و توافق‌نامهٔ سطح خدمات ندارد؛ برای رونویسی بلادرنگ به راه‌اندازی جداگانهٔ Voice Live نیاز است. اندازهٔ فایل‌ها حداکثر300 مگابایت است و وزن‌های باز منتشر نشده‌اند. نتایج معیارها گزارش‌شده از سوی فروشنده‌اند و ارزیابی مستقل محسوب نمی‌شوند.

به‌روزرسانی:

MODEL ID

mai-transcribe-2
زمینه
0
حداکثر خروجی
0
ورودی
audio
خروجی
transcription

نکات برجسته

  • پشتیبانی از60 زبان
  • شناسایی خودکار زبان
  • تفکیک گویندگان
  • زمان‌بندی در سطح واژه
  • انتخاب سبک رونویسی

ارائه‌دهندگان

1 ارائه‌دهنده

قیمت API را بین ارائه‌دهندگان مقایسه کنید. یک ارائه‌دهنده را انتخاب کنید تا همه هزینه‌ها و شرایط را ببینید.

ارائه‌دهنده · جزئیات قیمت‌گذاری
دسترس‌پذیری
$0.000027777777777777777777777777777777777777777777777778

بنچمارک‌ها

  • معیار چندزبانهٔ FLEURS (60 زبان)

    میانگین نرخ خطای واژه؛ رتبهٔ نخست را کسب کرده است.

    5.2%
  • معیار چندزبانهٔ FLEURS (25 زبان برتر)

    نرخ خطای واژه.

    3.4%
  • رتبه‌بندی نرخ خطای واژهٔ Artificial Analysis

    نرخ خطای تقریبی؛ در رتبهٔ دوم قرار دارد.

    2.5%
  • DAI-ASR-I18N

    در زبان‌های آزموده‌شده، کمترین نرخ خطای رونویسی را داشته است.

    18 of21
  • DAI-ASR-I18N

    تعداد زبان‌هایی که نرخ خطای رونویسی در آن‌ها کمتر از10% است.

    16

امتیازها همان‌گونه که ارائه‌دهنده مدل منتشر کرده است.

مرجع API

جزئیات پروتکل این مدل منتشر نشده است. برای الزامات یکپارچه‌سازی، مرجع API را ببینید.

مرجع API →

پرسش‌های متداول

معرفی مدل: Microsoft AI: MAI-Transcribe 2?

MAI-Transcribe2 یک مدل چندزبانهٔ تبدیل گفتار به متن است که تیم Microsoft AI آن را توسعه داده است. این مدل ورودی صوتی را می‌پذیرد و متن رونویسی‌شده ارائه می‌دهد؛ زبان را به‌طور خودکار از میان60 زبان تشخیص می‌دهد و می‌تواند گفتارِ آمیخته به چند زبان را پردازش کند. همچنین تفکیک گویندگان، زمان‌بندی در سطح واژه، اولویت‌دهی به واژه‌های تخصصی و انتخاب میان رونویسی کلمه‌به‌کلمه یا ویرایش‌شده را پشتیبانی می‌کند. این مدل برای زیرنویس و کپشن، رونویسی تماس‌ها و جلسه‌ها، دسترس‌پذیری و برنامه‌های صوتی مناسب است. در جلسه‌ها، نسبت‌دادن گفتار به گویندگان و ساخت متن قابل جست‌وجو می‌تواند به تهیهٔ خلاصه و استخراج اقدام‌ها کمک کند؛ در مراکز تماس نیز رونویسی برای ارزیابی کیفیت، مربی‌گری و رعایت الزامات کاربرد دارد. هم‌ترازی زمان واژه‌ها برای زیرنویس و بومی‌سازی ویدئو مفید است. طبق اطلاعات اعلام‌شده، پردازش یک ساعت صوت حدود10 ثانیه زمان استنتاج می‌برد. نسخهٔ عمومی پیش‌نمایش، دسته‌ای است و توافق‌نامهٔ سطح خدمات ندارد؛ برای رونویسی بلادرنگ به راه‌اندازی جداگانهٔ Voice Live نیاز است. اندازهٔ فایل‌ها حداکثر300 مگابایت است و وزن‌های باز منتشر نشده‌اند. نتایج معیارها گزارش‌شده از سوی فروشنده‌اند و ارزیابی مستقل محسوب نمی‌شوند.

هزینه استفاده چگونه محاسبه می‌شود؟

صورت‌حساب شما به ارائه‌دهنده‌ای که استفاده می‌کنید، قیمت‌های آن و میزان مصرف شما بستگی دارد. ورودی‌های طولانی‌تر یا شرایط دیگر ممکن است قیمت متفاوتی داشته باشند.

چه نوع ورودی و خروجی‌ای دارد؟

ورودی صوتی می‌گیرد و متن رونویسی‌شده تولید می‌کند.

چه زبان‌هایی و چه ویژگی‌های گفتاری را پشتیبانی می‌کند؟

از60 زبان با شناسایی خودکار زبان و گفتار آمیخته به چند زبان پشتیبانی می‌کند. همچنین تفکیک گویندگان، زمان‌بندی واژه‌ها و اولویت‌دهی به واژه‌های تخصصی را دارد.

برای چه کارهایی مناسب است؟

برای زیرنویس، رونویسی تماس و جلسه، دسترس‌پذیری و برنامه‌های صوتی مناسب است. متن قابل جست‌وجو و نسبت‌دادن گفتار به گوینده نیز می‌تواند به خلاصه‌سازی و استخراج اقدام‌ها کمک کند.

محدودیت اندازهٔ فایل یا طول خروجی آن چیست؟

اندازهٔ فایل حداکثر300 مگابایت است. اطلاعاتی دربارهٔ طول خروجی یا اندازهٔ زمینه ارائه نشده است.

تفاوت آن با مدل‌های هم‌خانواده چیست؟

MAI-Transcribe2 نسخهٔ تبدیل گفتار به متن با پردازش دسته‌ای است. MAI-Transcribe-2-Streaming نسخهٔ جریانی است و نخستین متن‌های جزئی را حدود100 میلی‌ثانیه‌ای ارائه می‌کند؛ اطلاعات کافی برای مقایسهٔ آن با MAI-Transcribe1.5 ارائه نشده است.