Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 ist die Spracherkennungsedition für aufgezeichnetes Audio in Microsofts Transkriptionsfamilie der zweiten Generation. Sie wandelt gesprochene Inhalte in 60 Sprachen in schriftlichen Text um, mit automatischer Erkennung der gesprochenen Sprache und Unterstützung von Sprache, die zwischen Sprachen wechselt. Das Modell ergänzt Sprechertrennung, Zeitangaben auf Wortebene und wählbare Transkriptionsstile. Nützliche Ergebnisse sind ein zugeordnetes Besprechungstranskript, eine durchsuchbare Interviewaufzeichnung, Ausrichtungsdaten für Untertitel oder geprüftes Diktat mit Fachterminologie.

Bereiten Sie die Aufnahme mit unveränderten gesprochenen Inhalten vor. Der Hersteller nennt WAV, MP3 und FLAC als Eingaben. Halten Sie das Originalaudio bereit, um unsichere Wörter, Namen und Zahlen mit dem erkannten Text abzugleichen. Eine Aufnahme kann Hintergrundgeräusche oder wechselnde Mikrofonqualität enthalten, wofür das Modell ausgelegt ist. Die Prüfung sollte sich dennoch auf unklare oder überlappende Passagen konzentrieren. Bewahren Sie bei Interviews die Reihenfolge der Beiträge und Pausen, statt deutungsrelevanten Kontext einer Antwort zu entfernen.

Automatische Erkennung der gesprochenen Sprache ist nützlich, wenn die Sprache nicht im Voraus bekannt ist. Die dokumentierte Gruppe von 60 Sprachen umfasst Englisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Französisch, Deutsch, Spanisch, Indonesisch, Malaiisch, Thai und Vietnamesisch. Sprachwechsel umfassen natürliche Wechsel zwischen Sprachen, einschließlich Mischungen wie Hinglish oder Spanglish. Die Herstellerschnittstelle akzeptiert außerdem einen einzelnen Sprachhinweis, den sie als starke Anweisung beschreibt. Verwenden Sie ihn nur, wenn die Aufnahme tatsächlich in dieser Sprache ist, statt ein mehrsprachiges Gespräch in eine erwartete Sprache zu zwingen.

Schlüsselwortgewichtung liefert Fachbegriffe, Abkürzungen, Produktnamen und Eigennamen, die akustisch sonst schwer zu unterscheiden sein können. Bereiten Sie eine gezielte aufnahmebezogene Liste vor, etwa Projektname, Produktreihe oder in der Diskussion verwendete Fachwörter. Der Bereitstellungsleitfaden beschreibt sie als Erkennungshinweise statt erzwungener Treffer. Fügen Sie bei einem Fachvortrag genaue Schreibweisen benannter Instrumente und Fachbegriffe hinzu und prüfen Sie dann, ob das Transkript sie an den tatsächlich gesprochenen Stellen einsetzt. Ein gelieferter Begriff beweist nicht, dass er gesagt wurde.

Wählen Sie den Ausgabestil nach dem beabsichtigten Ergebnis. Verbatim, der dokumentierte Standard, bewahrt Füllwörter, abgebrochene Ansätze und Selbstkorrekturen. Clean entfernt Sprechunflüssigkeiten für ein lesbareres Transkript. Eine Aufzeichnung zur Untersuchung des Gesprächsverlaufs kann Zögern und Korrekturen bewahren; ein lesbares Unterrichtstranskript kann bereinigten Wortlaut verwenden. Halten Sie das Originalaudio bei beiden Ergebnissen fest. Bereinigung verbessert die Darstellung des gesprochenen Texts und sollte weder als gesonderte Zusammenfassung noch als neue Deutung der Sprecherabsicht gelten.

Sprechertrennung gliedert Beiträge nach erkanntem Sprecher; Wortzeitstempel liefern Versatz und Dauer jedes Wortes. Die Bereitstellungsschnittstelle bietet auch Segmentzeitangaben oder keine 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; eine Kennzeichnung einem Teilnehmernamen zuzuordnen ist ein gesonderter Prüfschritt. Verwenden Sie für Untertitel geprüfte Wortzeiten zur Vorbereitung lesbarer Einblendungsgruppen, statt das Erkennungsergebnis bereits als fertige Untertiteldatei zu behandeln.

Die Modellkarte nennt maximal 300 MB Dateigröße 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. Das sind unterschiedliche veröffentlichte Modellkarten- und Bereitstellungsbedingungen. Bereiten Sie eine Datei innerhalb des geltenden Bereitstellungsbudgets vor. Der MAI-Leitfaden sagt außerdem, dass Sprechertrennung kürzere Aufnahmen unterstützt als Transkription ohne Sprechertrennung. Ordnen Sie langes Material mit mehreren Sprechern in zusammenhängende Abschnitte, wenn Sprecherzuordnung benötigt wird, und bewahren Sie die Abschnittsposition in der Originalaufnahme zur späteren Prüfung.

Die dokumentierte Ausgabe sind strukturierte Transkriptionsdaten: Gesamttext, Phrasen und auf Wunsch Sprecher- und Zeitinformationen. Eine Phrase kann Text, Sprache, Versatz und Dauer tragen; Wortzeiten können ein erkanntes Wort mit dem Audio verbinden. Bewahren Sie diese Beziehungen für ein durchsuchbares Archiv, damit ein gefundener Begriff zur Aufnahme zurückführen kann. In einem Besprechungsablauf wird ein geprüftes Transkript zur Eingabe späterer Zusammenfassung oder Aufgabenextraktion. Das Ergebnis des Spracherkennungsmodells ist der erkannte Inhalt und kein unabhängig verifizierter Bericht über Besprechungsentscheidungen.

Der Versionsunterschied ist konkret. MAI-Transcribe 1.5 deckt 43 Sprachen ab; diese Edition deckt 60 ab und ergänzt die dokumentierten Regler für Sprechertrennung, Wortzeitstempel und Clean/Verbatim. MAI-Transcribe 2 Streaming ist ein gesondertes Modell für fortlaufende Echtzeittranskription mit eigenem Funktionsumfang. Seine Latenz bis zum ersten Teilergebnis beschreibt diese Edition für aufgezeichnetes Audio nicht. Prüfen Sie vor der Verwendung als Quelle für Untertitel, Zitate oder abgeleitete Dokumente das Transkript anhand des Audios auf Namen, Zahlen, Sprecherwechsel und mehrsprachige Passagen.