microsoft logo
microsoft

Microsoft AI: MAI-Transcribe 2

出典の説明(英語)

MAI-Transcribe 2 is a multilingual speech-to-text model from Microsoft AI, ranked #1 on the FLEURS multilingual benchmark. It supports 60 languages with automatic language identification, code switching for mixed-language speech,...

概要

モデル仕様

コンテキスト
情報なし
最大出力
情報なし
アーキテクチャ
audio->transcription
トークナイザー
Other
知識カットオフ
情報なし
モデレーション
いいえ
OPENROUTER

料金の詳細

OpenRouterと同期した料金です。トークン料金は100万トークン単位です。

音声の長さ
$0.1
1時間あたり
API

クイックスタート

ローカルにOPENROUTER_API_KEYを設定してください。Pythonにはrequestsが必要です。JavaScriptはNode.jsで実行し、キーはサーバー側で管理してください。

APIドキュメント

curl --fail-with-body https://openrouter.ai/api/v1/audio/transcriptions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -F 'model=microsoft/mai-transcribe-2' \
  -F 'file=@audio.wav'
機能とモダリティ

入力 → 出力

入力
audio
出力
transcription
API

対応APIパラメータ

利用可能なプロバイダー

1 プロバイダー

確認日: 2026年9月16日

OpenRouterでプロバイダーを見る

可用性、遅延、スループット、ルーティングは常時変化します。最新情報は出典ページで確認してください。

OpenRouter

Azure

情報なし
コンテキスト
情報なし
最大出力
情報なし
microsoft

4 モデル

すべてのモデル
microsoft logomicrosoft

Microsoft AI: MAI-Image-2.6

MAI-Image-2.6 is an image generation and editing model from Microsoft AI, the precision tier of the MAI-Image-2.6 family alongside the faster MAI-Image-2.6 Flash. It is suited for design-ready visuals and...

コンテキスト
4K
入力
text · image
出力
image
入力: $5 100万トークンあたり画像出力: $38 100万トークンあたり
モデル詳細を見る →
microsoft logomicrosoft

Microsoft AI: MAI-Image-2.6 Flash

MAI-Image-2.6 Flash is the lower-latency, lower-cost member of the MAI-Image-2.6 family from Microsoft AI, built for latency-sensitive, high-throughput production image generation and editing at comparable quality to the precision tier....

コンテキスト
4K
入力
text · image
出力
image
入力: $1.75 100万トークンあたり画像出力: $19 100万トークンあたり
モデル詳細を見る →
microsoft logomicrosoft

Microsoft AI: MAI-Image-2.5 Pro

Microsoft AI's MAI-Image-2.5 is a high-quality image generation model available via Azure AI Foundry. It produces photorealistic and artistic images from text prompts with support for various aspect ratios.

コンテキスト
4K
入力
text · image
出力
image
入力: $5 100万トークンあたり画像出力: $108 100万トークンあたり
モデル詳細を見る →
microsoft logomicrosoft

Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash is a low-latency text-to-speech model from Microsoft AI for voice agents, assistants, call centers, accessibility, narration, and other interactive applications. It generates expressive 24 kHz mono speech across 15...

コンテキスト
情報なし
入力
text
出力
speech
文字: $15 100万文字あたり
モデル詳細を見る →