Felo API PlatformFelo API Platform
กลับไปที่โมเดล

Microsoft AI: MAI-Transcribe 2 API

โมเดลแปลงเสียงพูดเป็นข้อความหลายภาษา ระบุภาษาอัตโนมัติ รองรับเสียงพูดสลับภาษา และแยกผู้พูดได้

MAI-Transcribe2 เป็นโมเดลรู้จำเสียงพูดและแปลงเป็นข้อความหลายภาษาที่พัฒนาโดยทีม Microsoft AI รับข้อมูลเสียงและส่งออกเป็นข้อความ รองรับ60 ภาษา พร้อมระบุภาษาโดยอัตโนมัติ และจัดการคำพูดที่สลับภาษาได้ นอกจากนี้ยังแยกผู้พูด ระบุเวลาในระดับคำ และปรับน้ำหนักคำสำคัญเพื่อช่วยถอดศัพท์เฉพาะทางได้ โดยเลือกให้ถอดแบบตามคำพูดหรือปรับให้อ่านลื่นขึ้นได้

เหมาะสำหรับสร้างคำบรรยายและคำบรรยายวิดีโอ ถอดเสียงการประชุมหรือการสนทนากับลูกค้า รวมถึงทำบันทึกที่ระบุผู้พูดและค้นหาข้อความได้ ซึ่งนำไปใช้สรุปเนื้อหาและดึงรายการงานที่ต้องทำ นอกจากนี้ยังเหมาะกับการตรวจสอบคุณภาพการบริการ การฝึกอบรม และการวิเคราะห์บทสนทนาจากระบบเสียงอัตโนมัติ โดยการระบุเวลาในระดับคำช่วยจัดแนวคำบรรยายกับวิดีโอได้

รุ่นนี้ประมวลผลเสียงแบบชุด และอยู่ในช่วงพรีวิวสาธารณะโดยไม่มีข้อตกลงระดับการให้บริการ ไฟล์มีขนาดสูงสุด300 เมกะไบต์ การถอดเสียงแบบเรียลไทม์ต้องตั้งค่า Voice Live แยกต่างหาก และยังไม่มีการเผยแพร่น้ำหนักโมเดลแบบเปิด จึงไม่รองรับการติดตั้งใช้งานในเครื่อง ตัวเลขประเมินประสิทธิภาพที่รายงานมาจาก Microsoft และไม่ใช่ข้อสรุปจากการประเมินอิสระ

อัปเดต:

ID โมเดล

mai-transcribe-2
บริบท
0
เอาต์พุตสูงสุด
0
อินพุต
audio
เอาต์พุต
transcription

จุดเด่น

  • รองรับ60 ภาษา
  • ระบุภาษาอัตโนมัติ
  • รองรับการสลับภาษา
  • แยกผู้พูดและระบุเวลาเป็นคำ
  • เลือกสไตล์การถอดเสียงได้

ผู้ให้บริการ

1 ผู้ให้บริการ

เปรียบเทียบราคา API ระหว่างผู้ให้บริการ เลือกผู้ให้บริการเพื่อดูค่าใช้จ่ายและเงื่อนไขทั้งหมด

ผู้ให้บริการ · รายละเอียดราคา
อัตราความพร้อมใช้งาน
$0.000027777777777777777777777777777777777777777777777778

เบนช์มาร์ก

  • เกณฑ์ประเมินหลายภาษา FLEURS (60 ภาษา)

    อัตราความผิดพลาดเฉลี่ยระดับคำ และอยู่ในอันดับหนึ่ง

    5.2%
  • เกณฑ์ประเมินหลายภาษา FLEURS (25 ภาษาหลัก)

    อัตราความผิดพลาดระดับคำ

    3.4%
  • ตารางจัดอันดับอัตราความผิดพลาดระดับคำของ Artificial Analysis

    อัตราความผิดพลาดโดยประมาณ และอยู่ในอันดับสอง

    2.5%
  • DAI-ASR-I18N

    มีอัตราความผิดพลาดในการถอดเสียงต่ำที่สุดในภาษาที่ทดสอบ

    18 of21
  • DAI-ASR-I18N

    จำนวนภาษาที่อัตราความผิดพลาดในการถอดเสียงต่ำกว่า10%

    16

คะแนนตามที่ผู้ให้บริการโมเดลเผยแพร่

เอกสารอ้างอิง API

ยังไม่มีการเผยแพร่ข้อมูลโปรโตคอลของโมเดลนี้ ดูข้อกำหนดการเชื่อมต่อได้ในเอกสารอ้างอิง API

เอกสารอ้างอิง API →

คำถามที่พบบ่อย

รู้จัก Microsoft AI: MAI-Transcribe 2?

MAI-Transcribe2 เป็นโมเดลรู้จำเสียงพูดและแปลงเป็นข้อความหลายภาษาที่พัฒนาโดยทีม Microsoft AI รับข้อมูลเสียงและส่งออกเป็นข้อความ รองรับ60 ภาษา พร้อมระบุภาษาโดยอัตโนมัติ และจัดการคำพูดที่สลับภาษาได้ นอกจากนี้ยังแยกผู้พูด ระบุเวลาในระดับคำ และปรับน้ำหนักคำสำคัญเพื่อช่วยถอดศัพท์เฉพาะทางได้ โดยเลือกให้ถอดแบบตามคำพูดหรือปรับให้อ่านลื่นขึ้นได้ เหมาะสำหรับสร้างคำบรรยายและคำบรรยายวิดีโอ ถอดเสียงการประชุมหรือการสนทนากับลูกค้า รวมถึงทำบันทึกที่ระบุผู้พูดและค้นหาข้อความได้ ซึ่งนำไปใช้สรุปเนื้อหาและดึงรายการงานที่ต้องทำ นอกจากนี้ยังเหมาะกับการตรวจสอบคุณภาพการบริการ การฝึกอบรม และการวิเคราะห์บทสนทนาจากระบบเสียงอัตโนมัติ โดยการระบุเวลาในระดับคำช่วยจัดแนวคำบรรยายกับวิดีโอได้ รุ่นนี้ประมวลผลเสียงแบบชุด และอยู่ในช่วงพรีวิวสาธารณะโดยไม่มีข้อตกลงระดับการให้บริการ ไฟล์มีขนาดสูงสุด300 เมกะไบต์ การถอดเสียงแบบเรียลไทม์ต้องตั้งค่า Voice Live แยกต่างหาก และยังไม่มีการเผยแพร่น้ำหนักโมเดลแบบเปิด จึงไม่รองรับการติดตั้งใช้งานในเครื่อง ตัวเลขประเมินประสิทธิภาพที่รายงานมาจาก Microsoft และไม่ใช่ข้อสรุปจากการประเมินอิสระ

การใช้งานถูกเรียกเก็บเงินอย่างไร

ค่าใช้จ่ายขึ้นอยู่กับผู้ให้บริการที่คุณใช้ ราคาของผู้ให้บริการนั้น และปริมาณการใช้งาน อินพุตที่ยาวขึ้นหรือเงื่อนไขอื่นอาจมีราคาแตกต่างกัน

รองรับข้อมูลนำเข้าและผลลัพธ์แบบใด?

รับข้อมูลเสียงและส่งออกเป็นข้อความที่ถอดเสียง

รองรับกี่ภาษาและจัดการเสียงพูดสลับภาษาได้หรือไม่?

รองรับ60 ภาษาและระบุภาษาโดยอัตโนมัติ รวมถึงรองรับคำพูดที่สลับภาษา

เหมาะกับงานประเภทใด?

เหมาะกับการถอดเสียงประชุม การสนทนากับลูกค้า และการทำคำบรรยาย พร้อมระบุผู้พูดและเวลาในระดับคำ

มีข้อมูลขนาดบริบทหรือความยาวผลลัพธ์หรือไม่?

ไม่มีการระบุขนาดบริบทหรือขีดจำกัดความยาวผลลัพธ์ไว้ในข้อมูลที่ให้มา

แตกต่างจากรุ่นอื่นในตระกูลอย่างไร?

ข้อมูลที่ให้มาระบุว่า MAI-Transcribe-2-Streaming เป็นรุ่นสตรีมมิงที่ส่งข้อความถอดเสียงบางส่วนชุดแรกได้ในเวลาประมาณ100 มิลลิวินาที แต่ไม่ได้ระบุรายละเอียดเปรียบเทียบกับ MAI-Transcribe1.5