Microsoft AI: MAI-Transcribe 1.5

MAI-Transcribe 1.5 adalah model speech-to-text dari Microsoft AI, dirilis pada 2 Juni 2026. Model ini berada dalam kategori transkripsi, jadi model ini dibuat untuk satu tugas: mengubah audio lisan menjadi teks tertulis, bukan menghasilkan percakapan atau kode. Jika Anda menyusun pipeline yang dimulai dengan suara, ini adalah komponen yang disediakan Microsoft untuk langkah pertama tersebut.

Model ini menerima audio sebagai input dan mengembalikan transkripsi sebagai output. Microsoft mendeskripsikannya sebagai multibahasa, dengan transkripsi yang andal di 43 bahasa dan berbagai kondisi audio. Provider mencatat bahwa model ini cocok untuk captions, transkripsi panggilan, subtitling, aksesibilitas, dan aplikasi lain yang mendukung suara. Panjang konteks tidak dipublikasikan dalam metadata model, dan kolom output maksimum tercatat sebagai nol, sehingga ukuran output praktis ditentukan oleh panjang audio yang Anda kirimkan dan penanganan dari layanan itu sendiri, bukan oleh anggaran token yang terdokumentasi.

Kemampuan tersebut memetakan ke serangkaian use case yang cukup jelas. Jika Anda memerlukan subtitle atau closed caption untuk materi rekaman atau live, fokus subtitle dan caption model ini berlaku langsung. Transkripsi panggilan mencakup arsip contact centre, catatan rapat, dan rekaman kepatuhan. Pekerjaan aksesibilitas, seperti membuat rekaman talks atau video internal dapat dibaca, juga cocok. Karena model ini menangani 43 bahasa, tim yang melayani audiens multibahasa dapat mengarahkan audio dalam salah satu bahasa tersebut melalui satu model, bukan memelihara recogniser terpisah per locale. Aplikasi yang mendukung suara yang memerlukan lapisan teks sebelum pemrosesan hilir, seperti pencarian atas rekaman atau peringkasan, juga dimulai dari sini.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "microsoft/mai-transcribe-1.5". Karena endpoint mengikuti format OpenAI, library klien dan bentuk request yang sudah Anda gunakan untuk model lain akan berfungsi tanpa penanganan khusus. Perhatikan bahwa model ini tidak mencantumkan parameter request yang didukung, jadi Anda sebaiknya mengirim audio dengan struktur request standar dan tidak mengasumsikan bahwa kontrol sampling, temperature, atau knob serupa akan berpengaruh pada tugas transkripsi.

Tidak banyak detail yang diberikan tentang batas keras, jadi perlakukan panjang audio dan throughput sebagai hal yang perlu diverifikasi terhadap layanan live, bukan diasumsikan dari dokumentasi. Pertimbangkan juga apakah model speech-to-text adalah yang Anda butuhkan: jika tugas Anda adalah terjemahan antar bahasa tertulis, atau generasi teks atas transkrip, model ini hanya mencakup langkah pengenalan dan Anda akan memerlukan model lain untuk sisa rantainya.