Microsoft AI: MAI-Transcribe 2

Microsoft AI: MAI-Transcribe 2 to model zamiany mowy na tekst od Microsoftu, wydany 3 września 2026. Należy do kategorii transkrypcji, więc jego zadanie jest wąskie i konkretne: zamiana dźwięku mowy na tekst pisany. Microsoft pozycjonuje go jako system wielojęzyczny, a według dostawcy zajmuje pierwsze miejsce w wielojęzycznym benchmarku FLEURS. Jeśli Twoja praca obejmuje mowę w więcej niż jednym języku, to połączenie wsparcia dostawcy i pozycji w benchmarku jest głównym powodem, aby spojrzeć na ten model zamiast na model ogólnego przeznaczenia.

Model przyjmuje dźwięk jako dane wejściowe i zwraca transkrypcję jako dane wyjściowe. Obsługuje 60 języków i wykonuje automatyczną identyfikację języka, więc nie musisz mu mówić, w jakim języku się mówi, przed wysłaniem żądania. Radzi sobie również z przełączaniem kodów, czyli dźwiękiem, w którym mówcy przechodzą między językami w tym samym nagraniu. Opublikowane szczegóły nie podają długości kontekstu w tokenach, a maksymalna długość danych wyjściowych jest podana jako zero, więc traktuj model jako czysty endpoint transkrypcji, a nie coś, co można instruować długim tekstem. Nie ma wymienionych obsługiwanych parametrów żądania poza tym, co API wymaga do zidentyfikowania modelu i przekazania dźwięku.

Praktyczne zastosowania wynikają bezpośrednio z tych możliwości. Nagrania spotkań i rozmów w wielojęzycznych organizacjach są oczywistym zastosowaniem, szczególnie gdy uczestnicy przełączają języki w trakcie rozmowy. Przepływy pracy z mediami i podcastami mogą go używać do tworzenia transkrypcji bez osobnego kroku wykrywania języka. Projekty badawcze i archiwalne dotyczące mowy w którymkolwiek z 60 obsługiwanych języków mogą przesłać dźwięk i otrzymać tekst. Ponieważ identyfikacja języka jest automatyczna, zadania wsadowe na dźwięku w wielu językach nie wymagają wcześniejszego sortowania ani tagowania.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "microsoft/mai-transcribe-2". Ponieważ interfejs jest zgodny z formatem OpenAI, istniejące klienty i SDK, które już wskazują na bazowy URL zgodny z OpenAI, można ponownie wykorzystać, wysyłając dźwięk jako dane wejściowe, a transkrypcję zwróconą w odpowiedzi. Model nie wymienia żadnych obsługiwanych parametrów, więc utrzymuj żądania minimalne: ustaw identyfikator modelu, dołącz dźwięk i nie zakładaj, że opcje próbkowania lub formatowania będą miały jakikolwiek efekt. Jeśli parametr nie jest wymieniony jako obsługiwany, najbezpieczniej jest go pominąć.

Jeśli chodzi o limity, dostępne fakty są skąpe. Nie podano długości kontekstu, a maksymalna długość danych wyjściowych wynosi zero, co sugeruje, że model nie jest przeznaczony do instruowania tekstem wejściowym i wyjściowym ani do długich generowanych odpowiedzi. Jeśli Twoje zadanie wymaga rozumowania na transkrypcji, streszczania, tłumaczenia lub jakiegokolwiek generowania tekstu, lepszym wyborem jest model tekstowy, a MAI-Transcribe 2 należy najpierw użyć do utworzenia transkrypcji. Jeśli Twój dźwięk wykracza poza 60 obsługiwanych języków, ten model raczej nie pomoże.