Azure 語音中的 MAI-Transcribe（預覽）

註

此功能目前正處於公開預覽階段。 此預覽版未簽訂服務等級協議，且不建議用於生產工作負載。 某些功能可能不被支援或功能受限。 欲了解更多資訊，請參閱Microsoft Azure預覽補充使用條款。

MAI-Transcribe 是由 Microsoft AI 團隊內部打造的次世代語音轉文字模型。 它能在 60 種語言及真實音訊條件下提供快速且準確的轉錄。 MAI-Transcribe-2 支援多種工作負載，包括影片字幕、會議、臨床筆記、客服中心文件、無障礙工具、內容創作及語音代理。 該模型提供說話者日記、在嘈雜環境中的優異表現、字詞層級時間戳記、自動語言識別、關鍵字偏向、語碼切換，以及可配置的轉錄風格（無填充的乾淨轉錄或逐字稿）。

支援下列模型：

  • MAI-Transcribe-2
  • MAI-Transcribe-1.5
  • MAI-Transcribe-1： 於2026年8月20日被棄用。

先決條件

使用 MAI-Transcribe 模型

使用 MAI-Transcribe-2 從音訊輸入產生文字稿。 透過相應的 API 參數配置以下功能：

Feature 參數 價值 預設值 Description
模型選擇（必需） enhancedMode.
model		 "MAI-Transcribe-2"  — 設定為呼叫 MAI‑Transcribe 模型。
強化模式（必備） enhancedMode.
enabled		 true | false false 設定為 true 以呼叫 MAI-Transcribe。
說話者日記 diarization.
enabled		 true | false false 依講者分段錄音，並將每個片段歸屬於正確的人。 回傳帶有 speaker、 、 offsetMilliseconds及 durationMilliseconds 元資料的喇叭標籤段。 支援比未啟用說話者分離的語音轉錄更短的錄音；請參閱本表後方的註解。
詞級時間戳記 modelOptions.
timestamps		 "word" | "segment" | "none" none 控制時序細節。 "word" 會為每個詞傳回 offsetMilliseconds 和 durationMilliseconds，以實現精確的對齊、搜尋、導覽和編輯。 "segment" 回傳每個片段的時間資訊：輸出逐字稿依語言和講者劃分成多個段落。 所以當 diarization 啟用時，會為每個說話者和語言建立一個片段;關閉時則為每種語言建立一個片段。 "none" 省略了時間資料。
關鍵字偏誤 phraseList.phrases 字串陣列 [] 使辨識偏向於提供的關鍵字。 用於領域專屬術語、縮寫、產品名稱及難以僅從語境中辨識的專有名詞。 術語是提示，不是強迫輸出。
轉錄風格 modelOptions.
transcribeStyle		 "verbatim" | "clean" "verbatim" 控制輸出風格。 "verbatim" 會如實捕捉語音內容，包括贅詞和話說到一半重新開始的情況，以滿足合規、品質保證及分析需求。 clean 刪除填充內容，製作可讀的說明文字、筆記及已發表的逐字稿。
語言選取 locales ["language_code"] 未指定（自動偵測） 允許強制轉錄成特定語言。 這會對模型形成非常明確的提示，除非你完全確定錄音內容是使用該語言，且預設的自動偵測無法運作，否則不要特別指定它。 這裡只能提供一種語言。 MAI-Transcribe-2 支援 60 種語言。
代碼切換 自動 — — 對於常見的混合語言組合，例如 Hinglish 和 Spanglish，能處理在話語尚未說完時就在不同語言間切換的對話。
抗噪能力 固有 — — 維持在非受控環境中錄製的音訊轉錄品質，包括背景噪音、重疊語音及可變的麥克風品質。

註

增強模式中的說話者分離目前支援的錄音長度比語音轉錄短。 在預覽版中，當請求的 diarization.enabled 設為 true 時，約 15 分鐘或更長的錄音會失敗，並傳回帶有 Timeout 錯誤的 HTTP 408、HTTP 500，或帶有 diarization_unavailable 錯誤的 HTTP 503；但在停用 diarization 時，相同的錄音可成功轉錄。 對於較長的錄音，請在停用說話者分離的情況下進行轉錄，並使用回傳的逐字時間戳記搭配獨立的說話者分離步驟。

要開始使用增強模式的轉錄，請先跟著 LLM 語音快速入門。 接著，指定Model。

若要使用 MAI-Transcribe 模型：

  • 在請求中設定屬性 enhancedMode.enabled 為 true 。
  • 在請求中設定屬性 enhancedMode.model 為 "MAI-Transcribe-2" 。
  • 請使用 MAI-Transcribe 可用的 語音服務區域之一。
curl --location 'https://YourResourceName.cognitiveservices.azure.com/speechtotext/transcriptions:transcribe?api-version=2025-10-15' \
--header 'Content-Type: multipart/form-data' \
--header 'Ocp-Apim-Subscription-Key: <YourSpeechResourceKey>' \
--form 'audio=@"YourAudioFile.wav"' \
--form 'definition={ 
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2"
  }
}'

您也可以針對 MAI-Transcribe-2 啟用說話者diarization，以區分不同的說話者，並將錄音中的內容歸屬於正確的人。

 --form 'definition={ 
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2"
  },
  "diarization": {"enabled": true}
}

您也可以針對 MAI-Transcribe-2 使用 transcribeStyle 來控制轉錄樣式。 預設輸出是 verbatim 如果你需要保留原始語音內容，包括填充詞（「嗯」、「呃」）、假開頭和自我修正。 如果你需要一個可讀性最佳的逐字稿，能去除填充詞並自動格式化常見語音模式，請設定 transcribeStyle 為 clean 。

 --form 'definition={ 
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2",
    "modelOptions": {
      "transcribeStyle": "clean"
    }
  }
}

可選擇性地，對 MAI-Transcribe-2啟用 word-level timestamps ，以提供每個字的精確時間，支援精確的對齊、搜尋、導航與編輯。

 --form 'definition={ 
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2",
    "modelOptions": {
      "timestamps": "word"
    }
  }
}

可選擇性地加入短語清單，以提升專業領域的準確度，使用 phraseList.phrases。 此功能實現關鍵字偏向。

 --form 'definition={ 
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2"
  }, 
  "phraseList": {
     "phrases": ["phrase 1", "phrase 2"]
   },
 }'

可選擇指定一個語言代碼， locales 以強制在單一語言中進行識別。 如果你沒指定，模型會自動偵測到該語言。 例如：

--form 'definition={
  "locales": ["en"],
  "enhancedMode": {
    "enabled": true,
    "model":"MAI-Transcribe-2"
  }
}'

若要開始使用 MAI-Transcribe 模型，請先依照 Azure Speech API 的快速入門指南 使用 Fast Transcription API 的 enhancedMode。 然後，在 MAI-Transcribe-2 屬性中指定 enhancedMode.model。 請參閱 MAI-Transcribe 支援的所有參數的完整指南，目前僅在 REST API 標籤下取得。

若要開始使用 MAI-Transcribe 模型，請先依照 Azure Speech API 的快速入門指南 使用 Fast Transcription API 的 enhancedMode。 然後，在 MAI-Transcribe-2 屬性中指定 enhancedMode.model。 請參閱 MAI-Transcribe 支援的所有參數的完整指南，目前僅在 REST API 標籤下取得。

若要開始使用 MAI-Transcribe 模型，請先依照 Azure Speech API 的快速入門指南 使用 Fast Transcription API 的 enhancedMode。 然後，在 MAI-Transcribe-2 屬性中指定 enhancedMode.model。 請參閱 MAI-Transcribe 支援的所有參數的完整指南，目前僅在 REST API 標籤下取得。

若要開始使用 MAI-Transcribe 模型，請先依照 Azure Speech API 的快速入門指南 使用 Fast Transcription API 的 enhancedMode。 然後，在 MAI-Transcribe-2 屬性中指定 enhancedMode.model。 欲了解 MAI-Transcribe 支援的所有參數的完整指南，請參閱 REST API 標籤。

語言支援

預設情況下，模型以多語言模式運作。 目前支援的語言如下：

語言代碼 語言 MAI-Transcribe-1.5 支援 MAI-Transcribe-2 支援功能
af 南非語 ✅
ar 阿拉伯語 ✅ ✅
as 阿薩姆語 ✅ ✅
az 亞塞拜然語 ✅
bg 保加利亞 ✅ ✅
bn 孟加拉語 ✅ ✅
bs Bosnian ✅
ca 加泰蘭文 ✅ ✅
cs 捷克語 ✅ ✅
da 丹麥語 ✅ ✅
de 德語 ✅ ✅
el Greek ✅ ✅
en 英文 ✅ ✅
es 西班牙語 ✅ ✅
et Estonian ✅ ✅
fa Persian ✅
fi 芬蘭語 ✅ ✅
fil 菲律賓人 ✅
fr 法語 ✅ ✅
gl 加利西亞語 ✅
gu Gujarati ✅ ✅
he 希伯來文 ✅
hi 印地語 ✅ ✅
hu 匈牙利語 ✅ ✅
hy 亞美尼亞人 ✅
id 印尼 ✅ ✅
is Icelandic ✅
it 義大利語 ✅ ✅
ja 日本 ✅ ✅
kk Kazakh ✅
kn Kannada ✅ ✅
ko 韓語 ✅ ✅
lt 立陶宛語 ✅ ✅
lv Latvian ✅
mk Macedonian ✅
ml 馬拉雅拉姆語 ✅ ✅
mr Marathi ✅ ✅
ms Malay ✅
nb 挪威博克mål ✅ ✅
ne 尼泊爾語 ✅
nl 荷蘭語 ✅ ✅
or 歐迪亞文 ✅ ✅
pa 旁遮普文（古魯穆奇文字） ✅ ✅
pl 波蘭語 ✅ ✅
pt 葡萄牙語 ✅ ✅
ro 羅馬尼亞語 ✅ ✅
ru 俄語 ✅ ✅
sk 斯洛伐克語 ✅ ✅
sl 斯洛維尼亞語 ✅ ✅
sv 瑞典語 ✅ ✅
sw 斯瓦希里語 ✅
ta 泰米爾語 ✅ ✅
te Telugu ✅ ✅
th 泰語 ✅ ✅
tr 土耳其語 ✅ ✅
uk 烏克蘭語 ✅ ✅
ur Urdu ✅
vi 越南語 ✅ ✅
yue 粵語 ✅
zh 簡體中文 ✅ ✅

使用 MAI-Transcribe 搭配 Voice Live

你也可以在 Voice Live API 中使用 MAI-Transcribe 模型來進行輸入音訊轉錄。 在 model 工作階段設定中設定 input_audio_transcription 欄位。 詳情請參閱 如何自訂 Voice Live 輸入與輸出。

相關內容

  • Last updated on