Felo API PlatformFelo API Platform
Wróć do modeli

Microsoft AI: MAI-Transcribe 2 API

MAI-Transcribe2 to wielojęzyczny model zamiany mowy na tekst, oferujący identyfikację języka, rozpoznawanie mówców i znaczniki czasu na poziomie słów.

MAI-Transcribe2, opracowany przez Microsoft AI, przekształca dźwięk w tekst. Obsługuje60 języków z automatycznym rozpoznawaniem języka, a także mowę mieszaną, w której rozmówcy przełączają się między językami. Można wybrać transkrypcję dosłowną lub oczyszczoną, a dostrajanie pod kątem słów kluczowych pomaga uwzględnić terminologię właściwą dla danej dziedziny. Model rozpoznaje mówców i przypisuje znaczniki czasu do poszczególnych słów.

Nadaje się do transkrypcji rozmów i spotkań, tworzenia napisów oraz przygotowywania tekstowych alternatyw dla nagrań. Przypisanie wypowiedzi do mówców i przeszukiwalne transkrypcje mogą wspierać sporządzanie podsumowań i wyodrębnianie zadań. Model może być również używany do analizy rozmów w centrach kontaktu, kontroli jakości, coachingu i weryfikacji zgodności, a znaczniki czasu na poziomie słów ułatwiają synchronizację napisów z nagraniem.

To model wsadowy dostępny w publicznej wersji zapoznawczej. Pliki są ograniczone do300 megabytes, a transkrypcja w czasie rzeczywistym wymaga osobnej konfiguracji Voice Live. Wagi modelu nie zostały udostępnione, więc wdrożenie lokalne nie jest dostępne. Wyniki benchmarków wskazują na wysoką jakość rozpoznawania, ale część podanych pomiarów pochodzi od producenta i nie stanowi niezależnej oceny.

Zaktualizowano:

MODEL ID

mai-transcribe-2
Kontekst
0
Maks. wyjście
0
Wejście
audio
Wyjście
transcription

Najważniejsze informacje

  • Obsługa60 języków
  • Automatyczne rozpoznawanie języka
  • Identyfikacja mówców
  • Znaczniki czasu dla słów
  • Transkrypcja dosłowna lub oczyszczona

Dostawcy

1 dostawców

Porównaj ceny API u różnych dostawców. Wybierz dostawcę, aby zobaczyć wszystkie opłaty i warunki.

Dostawca · Szczegóły cen
Dostępność
$0.000027777777777777777777777777777777777777777777777778

Benchmarki

  • Wielojęzyczny benchmark FLEURS (60 języków)

    Średni współczynnik błędów słów; pierwsze miejsce w rankingu.

    5.2%
  • Wielojęzyczny benchmark FLEURS (25 najważniejszych języków)

    Współczynnik błędów słów.

    3.4%
  • Ranking błędów słów Artificial Analysis

    Przybliżony współczynnik błędów; drugie miejsce w rankingu.

    2.5%
  • DAI-ASR-I18N

    Najniższy współczynnik błędów transkrypcji wśród testowanych języków.

    18 of21
  • DAI-ASR-I18N

    Liczba języków, w których błąd transkrypcji wyniósł poniżej10%.

    16

Wyniki zgodnie z publikacją dostawcy modelu.

Dokumentacja API

Szczegóły protokołu tego modelu nie zostały opublikowane. Wymagania integracyjne znajdziesz w dokumentacji API.

Dokumentacja API →

Często zadawane pytania

Co to jest Microsoft AI: MAI-Transcribe 2?

MAI-Transcribe2, opracowany przez Microsoft AI, przekształca dźwięk w tekst. Obsługuje60 języków z automatycznym rozpoznawaniem języka, a także mowę mieszaną, w której rozmówcy przełączają się między językami. Można wybrać transkrypcję dosłowną lub oczyszczoną, a dostrajanie pod kątem słów kluczowych pomaga uwzględnić terminologię właściwą dla danej dziedziny. Model rozpoznaje mówców i przypisuje znaczniki czasu do poszczególnych słów. Nadaje się do transkrypcji rozmów i spotkań, tworzenia napisów oraz przygotowywania tekstowych alternatyw dla nagrań. Przypisanie wypowiedzi do mówców i przeszukiwalne transkrypcje mogą wspierać sporządzanie podsumowań i wyodrębnianie zadań. Model może być również używany do analizy rozmów w centrach kontaktu, kontroli jakości, coachingu i weryfikacji zgodności, a znaczniki czasu na poziomie słów ułatwiają synchronizację napisów z nagraniem. To model wsadowy dostępny w publicznej wersji zapoznawczej. Pliki są ograniczone do300 megabytes, a transkrypcja w czasie rzeczywistym wymaga osobnej konfiguracji Voice Live. Wagi modelu nie zostały udostępnione, więc wdrożenie lokalne nie jest dostępne. Wyniki benchmarków wskazują na wysoką jakość rozpoznawania, ale część podanych pomiarów pochodzi od producenta i nie stanowi niezależnej oceny.

Jak rozliczane jest użycie?

Rachunek zależy od wybranego dostawcy, jego cen i faktycznego zużycia. Dłuższe dane wejściowe lub inne warunki mogą mieć inne ceny.

Jakie dane wejściowe i wyjściowe obsługuje model?

Przyjmuje dźwięk i zwraca transkrybowany tekst.

Ile języków obsługuje?

Obsługuje60 języków z automatycznym rozpoznawaniem języka. Radzi sobie także z mową, w której przeplatają się różne języki.

Czy dostępne są informacje o długości kontekstu i wyjścia?

W dostarczonych danych nie podano limitu kontekstu ani długości wyjścia.

Do jakich zadań nadaje się MAI-Transcribe2?

Może służyć do transkrypcji spotkań i rozmów, tworzenia napisów oraz analizy połączeń. Obsługuje też przypisywanie wypowiedzi do mówców i znaczniki czasu na poziomie słów.

Czym różni się od innych modeli z tej rodziny?

Dane wskazują MAI-Transcribe1.5 i MAI-Transcribe-2-Streaming jako modele z tej samej rodziny, ale nie podają porównania ich zastosowań ani możliwości.