Microsoft AI: MAI-Transcribe 1.5

MAI-Transcribe 1.5 é um modelo de fala para texto da Microsoft AI, lançado em 2 de junho de 2026. Ele se enquadra na categoria de transcrição, portanto foi criado para uma única função: converter áudio falado em texto escrito, em vez de gerar conversa ou código. Se você está montando um pipeline que começa com voz, este é o componente que a Microsoft fornece para essa primeira etapa.

O modelo recebe áudio como entrada e retorna uma transcrição como saída. A Microsoft o descreve como multilíngue, com transcrição confiável em 43 idiomas e diversas condições de áudio. O provedor observa que ele é adequado para legendas, transcrição de chamadas, subtitulação, acessibilidade e outros aplicativos com suporte de voz. O comprimento de contexto não é publicado nos metadados do modelo, e o campo de saída máxima está listado como zero, então o tamanho prático da saída é regido pelo comprimento do áudio que você envia e pelo próprio tratamento do serviço, em vez de por um orçamento de tokens documentado.

Essas capacidades se mapeiam para um conjunto bastante claro de casos de uso. Se você precisa de legendas ou closed captions para material gravado ou ao vivo, o foco do modelo em subtítulos e legendas se aplica diretamente. A transcrição de chamadas cobre arquivos de contact center, notas de reunião e gravações de conformidade. Trabalhos de acessibilidade, como tornar palestras gravadas ou vídeos internos legíveis, também são um encaixe. Como o modelo lida com 43 idiomas, equipes que atendem públicos multilíngues podem encaminhar áudio em qualquer um desses idiomas por um único modelo, em vez de manter um reconhecedor separado por localidade. Aplicativos com suporte de voz que precisam de uma camada de texto antes do processamento posterior, como busca sobre gravações ou sumarização, também começam aqui.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo "microsoft/mai-transcribe-1.5". Como o endpoint segue o formato OpenAI, bibliotecas de cliente existentes e formatos de requisição que você já usa para outros modelos funcionarão sem tratamento especial. Observe que este modelo não lista parâmetros de requisição suportados, então você deve enviar o áudio com a estrutura de requisição padrão e evitar presumir que controles de amostragem, temperature ou botões semelhantes terão qualquer efeito em uma tarefa de transcrição.

Não há muitos detalhes nas informações fornecidas sobre limites rígidos, então trate o comprimento do áudio e a taxa de transferência como coisas a verificar no serviço ao vivo, em vez de presumir a partir da documentação. Considere também se um modelo de fala para texto é realmente o que você precisa: se sua tarefa é tradução entre idiomas escritos, ou geração de texto sobre a transcrição, este modelo cobre apenas a etapa de reconhecimento e você precisará de outro modelo para o restante da cadeia.