Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 ist ein Speech-to-Text-Modell, das aufgezeichnetes Audio in geschriebenen Inhalt umwandelt. Seine genaue Modellkarte beschreibt Erkennung in 43 Sprachen, automatische Sprachidentifikation und Robustheit gegenüber Akzenten, Dialekten, Sprechstilen und verrauschten Bedingungen. Die Ausgabe erweitert den 25-Sprachen-Umfang von MAI-Transcribe 1 um achtzehn Sprachen. Ein nützliches Ergebnis ist der verschriftlichte Sprechinhalt eines Vortrags, Interviews, Anrufs oder einer Sprachnotiz, bereit zur Prüfung anhand der Aufnahme vor einem späteren Bearbeitungs- oder Analyseschritt.

Bereiten Sie eine vollständige, verständliche Aufnahme in einem der vom Hersteller genannten Formate vor: WAV, MP3 oder FLAC. Bewahren Sie die Originaldatei und jede Aufteilung in Abschnitte, damit die Transkription mit dem Audio verglichen werden kann. Behalten Sie bei einem Vortrag die Phrasen um einen Fachbegriff, statt nur das schwierige Wort herauszuschneiden. Bewahren Sie bei einer Sprachnotiz eine Korrektur, die einen Namen, eine Zeit oder eine Zahl ändert. Die umgebende Sprache liefert Kontext für die Erkennung des Gesagten, und die Kontrolle durch Zuhörende kann zeigen, wo die Ausgabe Korrekturen benötigt.

Automatische Sprachidentifikation erlaubt die Verarbeitung einer Aufnahme, ohne im Voraus eine Sprache auswählen zu müssen. Der Umfang von 43 Sprachen umfasst Englisch, Französisch, Deutsch, Italienisch, Spanisch, Hindi, Chinesisch, Japanisch, Koreanisch, Arabisch, Indonesisch, Russisch, Thai und Vietnamesisch. Die hinzugefügten Sprachen umfassen Bulgarisch, Katalanisch, Griechisch, Ukrainisch und mehrere südasiatische Sprachen. Prüfen Sie, ob die gewünschte Sprache zum Umfang dieser Ausgabe gehört, statt die breitere Abdeckung von MAI-Transcribe 2 zu übernehmen. Bewahren Sie bei mehrsprachigen Sammlungen die Aufnahmesprache zusammen mit dem geprüften Text, damit nachgelagerte Bearbeitung dem tatsächlich gesprochenen Inhalt folgt.

Die Modellkarte von 1.5 beschreibt Schlüsselwort- oder Entitätshinweise mit bis zu 200 Begriffen; die Veröffentlichung erklärt deren Zweck: wahrscheinliche Namen, Akronyme und Fachwörter als Kontext verfügbar zu machen. Der Hersteller beschreibt kontextuelle Hinweise, statt bereitgestellte Wörter blind in das Ergebnis zu zwingen. Bereiten Sie relevantes Vokabular vor, etwa den Projektnamen, ein technisches Instrument oder die korrekte Schreibweise einer in der Aufnahme besprochenen Person. Verwenden Sie diese Terminologie als Kontext für die tatsächliche Aufnahme und prüfen Sie die erkannten Begriffe anhand der Sprache.

Bereiten Sie für eine aufgezeichnete technische Unterrichtseinheit die Namen der besprochenen Instrumente und die genaue Schreibweise jedes Projektakronyms vor. Schreiben Sie die exakten Schreibweisen in eine gezielte Terminologieliste und bewahren Sie sie neben Audio und Transkription. Prüfen Sie diese Vorkommen anhand der gesprochenen Passagen, statt einen Vokabulareintrag als Beleg für einen Treffer zu behandeln. Ähnlich klingende Namen können weiterhin Kontrolle benötigen. Das Ergebnis sollte die tatsächlich gesprochenen Wörter bewahren, einschließlich einer Korrektur oder Einschränkung, die ihre Bedeutung verändert.

Der Hersteller betont Leistung bei realem Audio einschließlich Hintergrundgeräuschen und unterschiedlichen Mikrofonbedingungen. Die praktische Prüfung kann sich auf Passagen mit gleichzeitiger Sprache, leisen Stimmen oder teilweise von anderen Geräuschen überdeckten Wörtern konzentrieren. Halten Sie Unsicherheiten mit der zugehörigen Audiopassage verknüpft, statt sie aus Themenannahmen zu füllen. Ein plausibler Satz kann dennoch den falschen Eigennamen oder die falsche Zahl enthalten. Für eine Anruftranskription ist das nützliche Ergebnis eine geprüfte Aufzeichnung des gesprochenen Inhalts für spätere Analyse und keine geratene Darstellung der Absicht der anrufenden Person.

Die genaue Modellkarte von 1.5 nennt eine maximale Dateigröße von 300 MB und zwei Stunden. Ihre verknüpfte synchrone Transkriptions-REST-Referenz beschreibt eine strengere Bereitstellungseingabe: kleiner als 250 MB und kürzer als zwei Stunden. Dies sind separat genannte Grenzen der Modellkarte und der Schnittstelle. Bereiten Sie Dateien innerhalb des Budgets der vorgesehenen Schnittstelle vor und ordnen Sie längeres Material an sinnvollen Aufnahmegrenzen. Ein Dateigrößenlimit betrifft das kodierte Audio, während das Dauerlimit die Länge der Sprachaufnahme betrifft; keines definiert das Kontextfenster eines Textmodells.

Die Beispielausgabe der Modellkarte ist JSON mit der Aufnahmedauer und dem zusammengeführten erkannten Text. Dieser Text kann eine barrierefreie Transkription, ein Skript für Untertitel oder eine Eingabe für spätere Zusammenfassung und Suche werden. Untertitelgruppierung und Ausrichtung an der Aufnahme sind separate Vorbereitungen, wenn das Ergebnis nicht die erforderlichen Zeitdaten enthält. Bei Interviewaufzeichnungen benötigt die Zuordnung einer Zeile zu einer benannten teilnehmenden Person eine separate geprüfte Aufzeichnung darüber, wer gesprochen hat. Bewahren Sie den erkannten Wortlaut und das Audio als Grundlage dieser späteren Ergebnisse.

Die Grenzen der Ausgabe sind für die Ausgabeplanung wichtig. Die Karte von 1.5 schließt Sprecherdiarisierung ausdrücklich aus ihren unterstützten Fähigkeiten aus, und der Versionsvergleich des Herstellers ordnet Wortzeitstempel und Clean/Verbatim-Stilregler MAI-Transcribe 2 zu. Ein natives Streaming-Modell ist ebenfalls eine separate Ausgabe. Dieses 1.5-Profil konzentriert sich daher auf erkannten Text aus Aufnahmen und seinen dokumentierten Domänenkontext, ohne Sprecher-, Zeit- oder Live-Eingabefunktionen einer anderen Ausgabe zum Bestandteil des Ergebnisses zu machen. Prüfen Sie Namen, Zahlen, Fachbegriffe und unklare Sprache, bevor Sie eine zitierte Passage, eine Untertitelspur oder ein abgeleitetes Dokument vorbereiten.