Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 ist die Sprach-zu-Text-Edition für aufgezeichnetes Audio aus Microsofts Transkriptionsfamilie der zweiten Generation. Sie wandelt gesprochene Inhalte in 60 Sprachen in schriftlichen Text um, mit automatischer Sprachidentifikation und Unterstützung für Sprache, die zwischen Sprachen wechselt. Das Modell ergänzt Sprechertrennung, Zeitangaben auf Wortebene und wählbare Transkriptionsstile. Nützliche Ergebnisse sind ein Besprechungstranskript mit Sprecherzuordnung, eine durchsuchbare Interviewaufzeichnung, Daten zur Untertitelausrichtung oder ein geprüftes Diktat mit Fachbegriffen.

Bereiten Sie die Aufnahme so vor, dass das gesprochene Material vollständig erhalten bleibt. Der Hersteller nennt WAV, MP3 und FLAC als Eingabeformate. 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; das Modell ist dafür ausgelegt, dennoch sollte die Prüfung unklare oder überlappende Passagen besonders berücksichtigen. Bewahren Sie bei einem Interview die Abfolge von Beiträgen und Pausen, statt den Kontext zu entfernen, der eine Antwort verständlich macht.

Automatische Spracherkennung ist nützlich, wenn die Sprache vorher unbekannt ist. Die dokumentierte Auswahl von 60 Sprachen umfasst Englisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Französisch, Deutsch, Spanisch, Indonesisch, Malaiisch, Thai und Vietnamesisch. Sprachwechsel erfassen natürliche Wechsel zwischen Sprachen, einschliesslich Mischformen wie Hinglish oder Spanglish. Die Herstellerschnittstelle akzeptiert ausserdem einen einzelnen Sprachhinweis, den sie als starke Anweisung beschreibt. Verwenden Sie diesen nur, wenn die Aufnahme tatsächlich in der angegebenen Sprache vorliegt, statt ein mehrsprachiges Gespräch in eine erwartete Sprache zu zwingen.

Schlüsselworthinweise liefern Fachbegriffe, Abkürzungen, Produktnamen und Eigennamen, die sich akustisch sonst schwer unterscheiden lassen. Bereiten Sie eine gezielte Liste mit Bezug zur Aufnahme vor, etwa den Projektnamen, eine Produktlinie oder technische Wörter aus der Diskussion. Der Bereitstellungsleitfaden beschreibt sie als Erkennungshinweise statt als erzwungene Treffer. Geben Sie bei einem Fachvortrag die genaue Schreibweise benannter Instrumente und Fachbegriffe an und prüfen Sie danach, ob das Transkript sie dort wiedergibt, wo sie tatsächlich gesprochen wurden. Ein bereitgestellter Begriff beweist nicht, dass die sprechende Person ihn gesagt hat.

Wählen Sie den Ausgabestil nach dem vorgesehenen Ergebnis. Verbatim, der dokumentierte Standard, bewahrt Füllwörter, abgebrochene Anfänge und Selbstkorrekturen. Clean entfernt Sprechunflüssigkeiten für ein besser lesbares Transkript. Eine Aufzeichnung zur Untersuchung des Gesprächsverlaufs kann Zögern und Korrekturen erhalten; ein lesbares Unterrichtstranskript kann den bereinigten Wortlaut verwenden. Bewahren Sie das Originalaudio bei beiden Ergebnissen auf. Die Bereinigung verbessert die Darstellung des gesprochenen Textes und ist weder eine gesonderte Zusammenfassung noch eine neue Interpretation der gemeinten Aussage.

Die Sprechertrennung unterscheidet Beiträge nach erkanntem Sprecher, und Zeitstempel auf Wortebene liefern einen Versatz und eine Dauer je Wort. Die Bereitstellungsschnittstelle bietet zudem Segmentzeitangaben oder den Verzicht auf Zeitangaben. Segmente werden nach Sprache und bei aktivierter Sprechertrennung auch nach Sprecher aufgeteilt. Zeitfelder verwenden Millisekunden und können Navigation, Suche und Bearbeitung unterstützen. Die Kennzeichnungen unterscheiden erkannte Sprecher; die Zuordnung einer Kennzeichnung zum Namen einer teilnehmenden Person ist ein gesonderter Prüfschritt. Verwenden Sie für Untertitel geprüfte Wortzeitangaben zur Bildung lesbarer Einblendungen, statt das Erkennungsergebnis bereits als fertige Untertiteldatei zu betrachten.

Die Modellkarte nennt eine maximale Dateigrösse von 300 MB und zwei Stunden. Die verlinkte synchrone REST-Referenz für die dokumentierte Schnittstelle 2025-10-15 verlangt dagegen eine Datei unter 250 MB und kürzer als zwei Stunden. Das sind getrennt veröffentlichte Grenzen der Modellkarte und der Bereitstellung; bereiten Sie die Datei innerhalb der geltenden Schnittstellengrenzen vor. Der MAI-Leitfaden erklärt ausserdem, dass Sprechertrennung kürzere Aufnahmen unterstützt als Transkription ohne Sprechertrennung. Gliedern Sie langes Material mit mehreren Sprechern in zusammenhängende Abschnitte, wenn Sprecherzuordnung benötigt wird, und bewahren Sie deren Position in der Originalaufnahme für spätere Prüfungen auf.

Die dokumentierte Ausgabe besteht aus strukturierten Transkriptionsdaten: dem Gesamttext, Phrasen und auf Anforderung Sprecher- und Zeitinformationen. Eine Phrase kann Text, Sprache, Versatz und Dauer enthalten; Wortzeitangaben können ein erkanntes Wort mit dem Audio verbinden. Bewahren Sie diese Beziehungen für ein durchsuchbares Archiv auf, sodass ein gefundener Begriff zur Aufnahme zurückführen kann. In einem Besprechungsablauf wird ein geprüftes Transkript zur Eingabe für spätere Zusammenfassungen oder das Extrahieren von Aufgaben. Das Ergebnis des Sprachmodells ist der erkannte Inhalt und kein unabhängig bestätigter Bericht über die Beschlüsse der Besprechung.

Der Versionsunterschied ist konkret. MAI-Transcribe 1.5 deckt 43 Sprachen ab, diese Edition dagegen 60 und ergänzt die dokumentierten Regler für Sprechertrennung, Wortzeitstempel und Clean-/Verbatim-Stile. MAI-Transcribe 2 Streaming ist ein separates Modell zur schrittweisen Echtzeittranskription mit eigenem Funktionsumfang; seine Latenz bis zum ersten Teilergebnis beschreibt diese Edition für aufgezeichnetes Audio nicht. Prüfen Sie Namen, Zahlen, Sprecherwechsel und mehrsprachige Passagen anhand des Audios, bevor Sie das Transkript als Quelle für Untertitel, Zitate oder ein abgeleitetes Dokument verwenden.