Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 er en tale-til-tekst-model til at omdanne optaget lyd til skriftligt indhold. Dens præcise modelkort beskriver genkendelse på tværs af 43 sprog, automatisk sprogidentifikation og robusthed over for accenter, dialekter, talestile og støjende forhold. Udgaven udvider MAI-Transcribe 1s sæt med 25 sprog med atten sprog. Et nyttigt resultat er den nedskrevne tale fra en forelæsning, et interview, et opkald eller en talebesked, klar til at blive kontrolleret mod optagelsen før et senere redigerings- eller analysetrin.

Forbered en komplet, forståelig optagelse i et af producentens angivne formater: WAV, MP3 eller FLAC. Bevar den oprindelige fil og enhver opdeling i afsnit, så transskriptionen kan sammenlignes med lyden. Ved en forelæsning skal du bevare fraserne omkring en teknisk term frem for kun at udtrække det vanskelige ord. Ved en talebesked skal du bevare en rettelse, der ændrer et navn, et tidspunkt eller et tal. Den omgivende tale giver kontekst til genkendelse af, hvad der blev sagt, og lytterens gennemgang kan identificere, hvor outputtet kræver rettelse.

Automatisk sprogidentifikation lader en optagelse blive behandlet uden at kræve et sprogvalg på forhånd. Sættet med 43 sprog omfatter engelsk, fransk, tysk, italiensk, spansk, hindi, kinesisk, japansk, koreansk, arabisk, indonesisk, russisk, thai og vietnamesisk. De tilføjede sprog omfatter bulgarsk, catalansk, græsk, ukrainsk og flere sydasiatiske sprog. Kontroller, at det tilsigtede sprog tilhører denne udgaves sæt, frem for at låne den bredere dækning fra MAI-Transcribe 2. Ved flersprogede samlinger skal du bevare optagelsens sprog sammen med den gennemgåede tekst, så efterfølgende redigering følger det faktisk talte indhold.

Modelkortet for 1.5 beskriver vægtning af nøgleord eller entiteter med op til 200 termer, og udgivelsen forklarer formålet: at gøre sandsynlige navne, akronymer og specialistord tilgængelige som kontekst. Producenten beskriver kontekstuelle hints frem for blindt at tvinge leverede ord ind i resultatet. Forbered et relevant ordforråd, som projektnavnet, et teknisk instrument eller den korrekte stavemåde for en person, der omtales i optagelsen. Brug denne terminologi som kontekst til den faktiske optagelse, og kontroller de genkendte termer mod talen.

Ved en optaget ingeniørlektion skal du forberede navnene på de omtalte instrumenter og den præcise stavemåde for eventuelle projektakronymer. Skriv deres præcise stavemåder i en fokuseret terminologiliste, og bevar listen sammen med lyden og transskriptionen. Kontroller disse forekomster mod de talte passager frem for at betragte en ordforrådspost som bevis på et match. Navne, der lyder ens, kan stadig kræve kontrol. Resultatet bør bevare de ord, der faktisk blev sagt, inklusive en rettelse eller kvalificering, der ændrer deres betydning.

Producenten fremhæver ydeevne på lyd fra den virkelige verden, herunder baggrundsstøj og forskellige mikrofonforhold. En praktisk gennemgang kan fokusere på passager med samtidig tale, svage stemmer eller ord, der delvist dækkes af en anden lyd. Hold usikkerheder knyttet til den tilsvarende lydpassage i stedet for at udfylde dem ud fra antagelser om emnet. En plausibel sætning kan stadig indeholde det forkerte egennavn eller tal. Ved en opkaldstransskription er det nyttige resultat en kontrolleret registrering af det talte indhold, som en senere analyse kan bruge, frem for en gættet redegørelse for den opkaldendes hensigt.

Det præcise modelkort for 1.5 angiver en maksimal filstørrelse på 300 MB og to timer. Dets linkede reference til synkron REST-transskription beskriver et strengere driftsinput: mindre end 250 MB og kortere end to timer. Det er særskilt angivne modelkort- og grænsefladegrænser. Forbered filer inden for den tilsigtede grænseflades kapacitet, og organiser længere materiale ved meningsfulde optagelsesgrænser. En filstørrelsesgrænse vedrører den kodede lyd, mens varighedsgrænsen vedrører taleoptagelsens længde; ingen af dem definerer en tekstmodels kontekstvindue.

Modelkortets eksempeloutput er JSON, der indeholder optagelsens varighed og den samlede genkendte tekst. Teksten kan blive til en tilgængelig transskription, et manuskript til undertekster eller et input til senere opsummering og søgning. Gruppering af undertekstblokke og tidsjustering til optagelsen er separat forberedelse, når resultatet ikke indeholder de nødvendige tidsdata. Ved interviewregistreringer kræver tilskrivning af en replik til en navngiven deltager en separat kontrolleret registrering af, hvem der talte. Bevar den genkendte ordlyd og lyden som grundlag for disse senere resultater.

Udgavens grænser har betydning ved planlægning af outputtet. Kortet for 1.5 placerer udtrykkeligt taleradskillelse uden for dens understøttede evner, og producentens versionssammenligning tildeler tidsstempler på ordniveau og indstillinger for clean/verbatim-stil til MAI-Transcribe 2. En indbygget streamingmodel er også en separat udgave. Denne 1.5-profil fokuserer derfor på genkendt tekst fra optagelser og dens dokumenterede domænekontekst uden at gøre en anden udgaves taler-, tidskodnings- eller live-inputfunktioner til en del af resultatet. Kontroller navne, tal, tekniske termer og uklar tale, før du forbereder en citeret passage, et undertekstspor eller et afledt dokument.