Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 ist ein Sprach-zu-Text-Modell, das aufgezeichnetes Audio in schriftliche Inhalte umwandelt. Seine genaue Modellkarte beschreibt die Erkennung in 43 Sprachen, automatische Sprachidentifikation und Robustheit gegenüber Akzenten, Dialekten, Sprechstilen und geräuschvollen Bedingungen. Die Edition erweitert die 25 Sprachen von MAI-Transcribe 1 um achtzehn Sprachen. Ein nützliches Ergebnis ist der schriftliche Sprechtext eines Vortrags, Interviews, Anrufs oder einer Sprachnotiz, der vor einer späteren Bearbeitung oder Analyse anhand der Aufnahme geprüft werden kann.

Bereiten Sie eine vollständige, verständliche Aufnahme in einem der genannten Herstellerformate vor: WAV, MP3 oder FLAC. Bewahren Sie die Originaldatei und ihre mögliche Abschnittseinteilung auf, damit sich das Transkript mit dem Audio vergleichen lässt. Erhalten Sie bei einem Vortrag die Formulierungen um einen Fachbegriff herum, statt nur das schwierige Wort herauszulösen. Bewahren Sie bei einer Sprachnotiz eine Korrektur, die einen Namen, eine Zeit oder eine Zahl ändert. Die umgebende Sprache liefert Kontext zur Erkennung des Gesagten, und die Prüfung durch Zuhörende kann Stellen bestimmen, an denen die Ausgabe korrigiert werden muss.

Automatische Sprachidentifikation ermöglicht die Verarbeitung einer Aufnahme, ohne vorher eine Sprache auswählen zu müssen. Die Auswahl von 43 Sprachen umfasst Englisch, Französisch, Deutsch, Italienisch, Spanisch, Hindi, Chinesisch, Japanisch, Koreanisch, Arabisch, Indonesisch, Russisch, Thai und Vietnamesisch. Zu den hinzugefügten Sprachen gehören Bulgarisch, Katalanisch, Griechisch, Ukrainisch und mehrere südasiatische Sprachen. Prüfen Sie, ob die benötigte Sprache zu dieser Edition gehört, statt die breitere Abdeckung von MAI-Transcribe 2 zu übernehmen. Bewahren Sie bei mehrsprachigen Sammlungen die Sprache der Aufnahme zusammen mit dem geprüften Text, damit spätere Bearbeitung dem tatsächlich gesprochenen Inhalt folgt.

Die Modellkarte von 1.5 beschreibt Schlüsselwort- oder Entitätshinweise mit bis zu 200 Begriffen; ihre Veröffentlichung erläutert den Zweck: wahrscheinliche Namen, Akronyme und Fachwörter als Kontext bereitzustellen. Der Hersteller beschreibt Kontexthinweise, statt vorgegebene Wörter blind in das Ergebnis zu zwingen. Bereiten Sie relevante Begriffe vor, etwa den Projektnamen, ein technisches Instrument oder die korrekte Schreibweise einer in der Aufnahme besprochenen Person. Nutzen Sie diese Terminologie als Kontext für die tatsächliche Aufnahme und prüfen Sie die erkannten Begriffe anhand des Gesprochenen.

Bereiten Sie für eine aufgezeichnete technische Unterrichtseinheit die Namen der besprochenen Instrumente und die genaue Schreibweise jedes Projektakronyms vor. Schreiben Sie diese präzise in eine gezielte Terminologieliste und bewahren Sie die Liste mit Audio und Transkript auf. Prüfen Sie die Vorkommen anhand der gesprochenen Passagen, statt einen Vokabulareintrag als Beweis für einen Treffer zu betrachten. Ähnlich klingende Namen können weiterhin eine Prüfung erfordern. Das Ergebnis sollte die tatsächlich gesprochenen Wörter bewahren, einschliesslich einer Korrektur oder Einschränkung, die deren Bedeutung verändert.

Der Hersteller betont die Leistung bei realen Audioaufnahmen, einschliesslich Hintergrundgeräuschen und unterschiedlichen Mikrofonbedingungen. Die praktische Prüfung kann sich auf gleichzeitiges Sprechen, leise Stimmen oder teilweise von anderen Geräuschen überdeckte Wörter konzentrieren. Verknüpfen Sie Unsicherheiten mit der jeweiligen Audiopassage, statt sie durch Annahmen zum Thema zu füllen. Auch ein plausibler Satz kann den falschen Eigennamen oder eine falsche Zahl enthalten. Bei einem Anruftranskript ist das nützliche Ergebnis eine geprüfte Aufzeichnung des Gesagten für die spätere Analyse statt einer erratenen Darstellung der Absicht der anrufenden Person.

Die genaue Modellkarte von 1.5 nennt eine maximale Dateigrösse von 300 MB und zwei Stunden. Ihre verlinkte REST-Referenz zur synchronen Transkription beschreibt strengere Eingabegrenzen der Bereitstellung: unter 250 MB und kürzer als zwei Stunden. Das sind getrennt angegebene Grenzen der Modellkarte und der Schnittstelle. Bereiten Sie Dateien innerhalb der Grenzen der vorgesehenen Schnittstelle vor und gliedern Sie längeres Material an sinnvollen Grenzen der Aufnahme. Die Dateigrössengrenze betrifft das kodierte Audio, während die Dauergrenze die Länge der Sprachaufnahme betrifft; keine davon definiert ein Kontextfenster eines Textmodells.

Die Beispielausgabe der Modellkarte ist JSON mit Aufnahmedauer und zusammengeführtem erkanntem Text. Der Text kann ein zugängliches Transkript, ein Skript für Untertitel oder eine Eingabe für spätere Zusammenfassungen und Suche werden. Das Gruppieren von Untertiteleinblendungen und ihre Ausrichtung an der Aufnahme sind gesonderte Vorbereitungsschritte, wenn das Ergebnis die nötigen Zeitdaten nicht enthält. Bei Interviewaufzeichnungen benötigt die Zuordnung einer Zeile zu einer namentlich bekannten Person eine separate geprüfte Aufzeichnung darüber, wer gesprochen hat. Bewahren Sie erkannten Wortlaut und Audio als Grundlage dieser späteren Ergebnisse auf.

Die Grenzen der Edition sind für die Ausgabeplanung wichtig. Die Modellkarte von 1.5 schliesst Sprechertrennung ausdrücklich aus den unterstützten Fähigkeiten aus, und der Versionsvergleich des Herstellers ordnet Wortzeitstempel und Clean-/Verbatim-Stilregler MAI-Transcribe 2 zu. Auch ein natives Streamingmodell ist eine eigene Edition. Dieses 1.5-Profil konzentriert sich daher auf erkannten Text aus Aufnahmen und seinen dokumentierten Fachkontext, ohne Sprecher-, Zeit- oder Liveeingabefunktionen einer anderen Edition zum Bestandteil des Ergebnisses zu machen. Prüfen Sie Namen, Zahlen, Fachbegriffe und unklare Sprache, bevor Sie ein Zitat, eine Untertitelspur oder ein abgeleitetes Dokument vorbereiten.