Microsoft AI: MAI-Transcribe 1.5

MAI-Transcribe 1.5 är en tal-till-text-modell från Microsoft AI, släppt den 2 juni 2026. Den tillhör kategorin transkribering, så den är byggd för en enda uppgift: att omvandla talat ljud till skriven text snarare än att generera konversation eller kod. Om du sätter ihop en pipeline som börjar med röst, är detta komponenten Microsoft tillhandahåller för det första steget.

Modellen tar ljud som indata och returnerar en transkribering som utdata. Microsoft beskriver den som flerspråkig, med tillförlitlig transkribering över 43 språk och varierande ljudförhållanden. Leverantören anger att den lämpar sig för undertexter, samtals transkribering, textning, tillgänglighet och andra röstaktiverade applikationer. Kontextlängden publiceras inte i modellens metadata, och fältet för maximal utdata anges som noll, så den praktiska utdatastorleken styrs av längden på ljudet du skickar in och tjänstens egen hantering snarare än av en dokumenterad tokenbudget.

Dessa funktioner motsvarar en ganska tydlig uppsättning användningsfall. Om du behöver undertexter eller textning för inspelat eller live-material gäller modellens fokus på undertexter och textning direkt. Samtals transkribering täcker arkiv för kontaktcenter, mötesanteckningar och efterlevnadsinspelningar. Tillgänglighetsarbete, som att göra inspelade föredrag eller interna videor läsbara, är en annan passande tillämpning. Eftersom modellen hanterar 43 språk kan team som betjänar flerspråkiga målgrupper dirigera ljud på något av dessa språk genom en enda modell istället för att underhålla en separat igenkännare per språk. Röstaktiverade applikationer som behöver ett textlager före nedströms bearbetning, som sökning i inspelningar eller sammanfattning, börjar också här.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "microsoft/mai-transcribe-1.5". Eftersom slutpunkten följer OpenAI-formatet kommer befintliga klientbibliotek och förfrågningsstrukturer som du redan använder för andra modeller att fungera utan särskild hantering. Observera att denna modell inte listar några stödda förfrågningsparametrar, så du bör skicka ljudet med standardförfrågningsstrukturen och undvika att anta att samplingskontroller, temperatur eller liknande reglage har någon effekt på en transkriberingsuppgift.

Det finns inte mycket i de medföljande detaljerna om hårda gränser, så behandla ljudlängd och genomströmning som saker att verifiera mot den live-tjänsten snarare än att anta från dokumentationen. Överväg också om en tal-till-text-modell är vad du behöver överhuvudtaget: om din uppgift är översättning mellan skrivna språk, eller textgenerering över transkriberingen, täcker denna modell bara igenkänningssteget och du kommer att behöva en annan modell för resten av kedjan.