Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 ist die Speech-to-Text-Ausgabe für aufgezeichnetes Audio aus Microsofts Transkriptionsfamilie der zweiten Generation. Sie wandelt gesprochene Inhalte in 60 Sprachen in geschriebenen Text um, mit automatischer Sprachidentifikation und Unterstützung für Sprache, die zwischen Sprachen wechselt. Das Modell ergänzt Sprecherdiarisierung, Zeitangaben auf Wortebene und wählbare Transkriptionsstile. Nützliche Ergebnisse sind eine zugeordnete Sitzungstranskription, eine durchsuchbare Interviewaufzeichnung, Daten zur Untertitelausrichtung oder geprüftes Diktat mit Fachterminologie.

Bereiten Sie die Aufnahme mit vollständig erhaltenem gesprochenem Material vor. Der Hersteller nennt WAV, MP3 und FLAC als Eingaben. Bewahren Sie das Originalaudio auf, um unsichere Wörter, Namen und Zahlen mit dem erkannten Text zu vergleichen. Eine Aufnahme kann Hintergrundgeräusche oder wechselnde Mikrofonqualität enthalten, womit das Modell umgehen soll; die Prüfung sollte sich dennoch auf unklare oder überlappende Passagen konzentrieren. Bewahren Sie bei einem Interview die Abfolge von Beiträgen und Pausen, statt den zur Interpretation einer Antwort hilfreichen Kontext zu entfernen.

Automatische Spracherkennung ist nützlich, wenn die Sprache nicht im Voraus bekannt ist. Der dokumentierte Umfang von 60 Sprachen umfasst Englisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Französisch, Deutsch, Spanisch, Indonesisch, Malaiisch, Thai und Vietnamesisch. Code-Switching umfasst natürliche Sprachwechsel einschließlich gemischter Paare wie Hinglish oder Spanglish. Die Herstellerschnittstelle akzeptiert auch einen einzelnen Sprachhinweis, den sie als starke Anweisung beschreibt. Verwenden Sie ihn nur, wenn die Aufnahme tatsächlich in der angegebenen Sprache vorliegt, statt ein mehrsprachiges Gespräch in eine erwartete Sprache zu zwingen.

Schlüsselworthinweise liefern domänenspezifische Begriffe, Abkürzungen, Produktnamen und Eigennamen, die sonst klanglich schwer zu unterscheiden sein könnten. Bereiten Sie eine gezielte aufnahmebezogene Liste vor, etwa mit Projektnamen, einer Produktlinie oder im Gespräch verwendeten Fachwörtern. Der Bereitstellungsleitfaden beschreibt diese als Erkennungshinweise statt als erzwungene Übereinstimmungen. Fügen Sie bei einem Fachvortrag die genauen Schreibweisen benannter Instrumente und Fachbegriffe hinzu und prüfen Sie anschließend, ob die Transkription sie dort platziert, wo sie tatsächlich gesprochen wurden. Ein bereitgestellter Begriff ist kein Beleg dafür, dass die sprechende Person ihn gesagt hat.

Wählen Sie den Ausgabestil anhand des beabsichtigten Ergebnisses. Verbatim, die dokumentierte Voreinstellung, bewahrt Füllwörter, abgebrochene Ansätze und Selbstkorrekturen. Clean entfernt Sprechunflüssigkeiten für eine besser lesbare Transkription. Eine Aufzeichnung zur Untersuchung des Gesprächsverlaufs kann Zögern und Korrekturen bewahren; eine lesbare Unterrichtstranskription kann bereinigten Wortlaut verwenden. Bewahren Sie neben beiden Ergebnissen das Originalaudio. Bereinigung verbessert die Darstellung des gesprochenen Texts und sollte nicht als separate Zusammenfassung oder neue Interpretation der Sprecherabsicht behandelt werden.

Sprecherdiarisierung trennt Beiträge nach erkannter sprechender Person, und Zeitstempel auf Wortebene liefern Versatz und Dauer für jedes Wort. Die Bereitstellungsschnittstelle bietet auch Segmentzeiten oder den Verzicht auf Zeitangaben. Segmente werden nach Sprache und bei aktivierter Diarisierung nach sprechender Person unterteilt. Zeitfelder verwenden Millisekunden und können Navigation, Suche und Bearbeitung unterstützen. Die Kennzeichnungen unterscheiden erkannte Sprechende; die Zuordnung einer Kennzeichnung zu einem Teilnehmernamen ist ein separater Prüfschritt. Verwenden Sie für Untertitel geprüfte Wortzeiten zur Vorbereitung lesbarer Einblendungsgruppen, statt anzunehmen, das Erkennungsergebnis sei bereits eine fertige Untertiteldatei.

Die Modellkarte nennt eine maximale Dateigröße von 300 MB und zwei Stunden. Die verknüpfte synchrone REST-Referenz für die dokumentierte Schnittstelle 2025-10-15 verlangt dagegen eine Datei kleiner als 250 MB und kürzer als zwei Stunden. Dies sind unterschiedliche veröffentlichte Beschränkungen der Modellkarte und der Bereitstellung; bereiten Sie eine Datei innerhalb des geltenden Bereitstellungsbudgets vor. Der MAI-Leitfaden erklärt zudem, dass Diarisierung kürzere Aufnahmen unterstützt als Transkription ohne Diarisierung. Ordnen Sie langes Material mit mehreren Sprechenden in zusammenhängende Abschnitte, wenn Sprecherzuordnung benötigt wird, und bewahren Sie die Position des Abschnitts in der Originalaufnahme für eine spätere Prüfung.

Die dokumentierte Ausgabe sind strukturierte Transkriptionsdaten: Volltext, Phrasen und auf Anforderung Sprecher- und Zeitinformationen. Eine Phrase kann Text, Sprache, Versatz und Dauer tragen; Wortzeiten können ein erkanntes Wort mit dem Audio verknüpfen. Bewahren Sie diese Beziehungen für ein durchsuchbares Archiv, damit ein gefundener Begriff zur Aufnahme zurückführen kann. Für einen Sitzungsablauf wird eine geprüfte Transkription zur Eingabe für spätere Zusammenfassung oder Aufgabenextraktion. Das Ergebnis des Sprachmodells ist der erkannte Inhalt und keine unabhängig überprüfte Darstellung der Sitzungsentscheidungen.

Der Versionsunterschied ist konkret. MAI-Transcribe 1.5 deckt 43 Sprachen ab, diese Ausgabe hingegen 60 und ergänzt die dokumentierten Regler für Diarisierung, Wortzeitstempel und Clean/Verbatim. MAI-Transcribe 2 Streaming ist ein separates Modell für schrittweise Echtzeittranskription mit eigenen Funktionen; seine Latenz bis zum ersten Teilergebnis beschreibt diese Ausgabe für aufgezeichnetes Audio nicht. Prüfen Sie die Transkription anhand des Audios auf Namen, Zahlen, Sprecherwechsel und gemischtsprachige Passagen, bevor Sie sie als Quelle für Untertitel, Zitate oder ein abgeleitetes Dokument verwenden.