Microsoft AI: MAI-Transcribe 1.5

Το Microsoft AI MAI-Transcribe 1.5 είναι μοντέλο μετατροπής ομιλίας σε κείμενο για μετατροπή καταγεγραμμένου ήχου σε γραπτό περιεχόμενο. Η ακριβής κάρτα μοντέλου του περιγράφει αναγνώριση σε 43 γλώσσες, αυτόματη αναγνώριση γλώσσας και ανθεκτικότητα σε προφορές, διαλέκτους, ύφη ομιλίας και θορυβώδεις συνθήκες. Η έκδοση επεκτείνει το σύνολο 25 γλωσσών του MAI-Transcribe 1 κατά δεκαοκτώ γλώσσες. Ένα χρήσιμο αποτέλεσμα είναι η γραπτή ομιλία από διάλεξη, συνέντευξη, κλήση ή φωνητική σημείωση, έτοιμη για έλεγχο ως προς την ηχογράφηση πριν από μεταγενέστερο βήμα επεξεργασίας ή ανάλυσης.

Προετοιμάστε πλήρη, κατανοητή ηχογράφηση σε μία από τις μορφές που αναφέρει ο κατασκευαστής: WAV, MP3 ή FLAC. Κρατήστε το αρχικό αρχείο και κάθε διαίρεση σε ενότητες ώστε η απομαγνητοφώνηση να μπορεί να συγκριθεί με τον ήχο. Για διάλεξη, διατηρήστε τις φράσεις γύρω από έναν τεχνικό όρο αντί να απομονώνετε μόνο τη δύσκολη λέξη. Για φωνητική σημείωση, διατηρήστε μια διόρθωση που αλλάζει όνομα, ώρα ή αριθμό. Η περιβάλλουσα ομιλία παρέχει πλαίσιο για την αναγνώριση όσων ειπώθηκαν και ο έλεγχος του ακροατή μπορεί να εντοπίσει πού χρειάζεται διόρθωση η έξοδος.

Η αυτόματη αναγνώριση γλώσσας επιτρέπει την επεξεργασία ηχογράφησης χωρίς να απαιτείται επιλογή γλώσσας εκ των προτέρων. Το σύνολο 43 γλωσσών περιλαμβάνει αγγλικά, γαλλικά, γερμανικά, ιταλικά, ισπανικά, χίντι, κινεζικά, ιαπωνικά, κορεατικά, αραβικά, ινδονησιακά, ρωσικά, ταϊλανδικά και βιετναμικά. Οι πρόσθετες γλώσσες περιλαμβάνουν βουλγαρικά, καταλανικά, ελληνικά, ουκρανικά και πολλές γλώσσες της Νότιας Ασίας. Ελέγξτε ότι η επιδιωκόμενη γλώσσα ανήκει στο σύνολο αυτής της έκδοσης, αντί να δανείζεστε την ευρύτερη κάλυψη του MAI-Transcribe 2. Για πολυγλωσσικές συλλογές, διατηρήστε τη γλώσσα της ηχογράφησης μαζί με το ελεγμένο κείμενο ώστε η επόμενη επεξεργασία να ακολουθεί το πραγματικό προφορικό περιεχόμενο.

Η κάρτα μοντέλου 1.5 περιγράφει καθοδήγηση με λέξεις-κλειδιά ή οντότητες με έως 200 όρους και η ανακοίνωση της έκδοσης εξηγεί τον σκοπό: να διατίθενται ως πλαίσιο πιθανά ονόματα, ακρωνύμια και εξειδικευμένες λέξεις. Ο κατασκευαστής περιγράφει υποδείξεις πλαισίου και όχι τυφλό εξαναγκασμό των παρεχόμενων λέξεων στο αποτέλεσμα. Προετοιμάστε σχετικό λεξιλόγιο, όπως το όνομα έργου, ένα τεχνικό όργανο ή τη σωστή ορθογραφία ενός προσώπου που συζητείται στην ηχογράφηση. Χρησιμοποιήστε αυτή την ορολογία ως πλαίσιο για την πραγματική ηχογράφηση και ελέγξτε τους αναγνωρισμένους όρους ως προς την ομιλία.

Για καταγεγραμμένο μάθημα μηχανικής, προετοιμάστε τα ονόματα των οργάνων που συζητούνται και την ακριβή ορθογραφία κάθε ακρωνυμίου έργου. Γράψτε την ακριβή ορθογραφία τους σε εστιασμένη λίστα ορολογίας και κρατήστε τη λίστα δίπλα στον ήχο και την απομαγνητοφώνηση. Ελέγξτε αυτές τις εμφανίσεις ως προς τα προφορικά αποσπάσματα αντί να αντιμετωπίζετε μια καταχώριση λεξιλογίου ως απόδειξη αντιστοίχισης. Ονόματα που ακούγονται παρόμοια μπορεί ακόμη να χρειάζονται έλεγχο. Το αποτέλεσμα πρέπει να διατηρεί τις λέξεις που πράγματι ειπώθηκαν, συμπεριλαμβανομένης μιας διόρθωσης ή διευκρίνισης που αλλάζει τη σημασία τους.

Ο κατασκευαστής δίνει έμφαση στην απόδοση σε πραγματικό ήχο, συμπεριλαμβανομένου θορύβου περιβάλλοντος και ποικίλων συνθηκών μικροφώνου. Ο πρακτικός έλεγχος μπορεί να εστιάζει σε αποσπάσματα με ταυτόχρονη ομιλία, χαμηλές φωνές ή λέξεις που καλύπτονται εν μέρει από άλλο ήχο. Κρατήστε τις αβεβαιότητες συνδεδεμένες με το αντίστοιχο ηχητικό απόσπασμα αντί να τις συμπληρώνετε από παραδοχές για το θέμα. Μια εύλογη πρόταση μπορεί ακόμη να περιέχει λάθος κύριο όνομα ή αριθμό. Για απομαγνητοφώνηση κλήσης, το χρήσιμο παραδοτέο είναι ελεγμένη καταγραφή του προφορικού περιεχομένου που μπορεί να χρησιμοποιήσει μεταγενέστερη ανάλυση, αντί για εικαζόμενη αφήγηση της πρόθεσης του καλούντος.

Η ακριβής κάρτα μοντέλου 1.5 αναφέρει μέγιστο μέγεθος αρχείου 300 MB και δύο ώρες. Η συνδεδεμένη αναφορά REST σύγχρονης απομαγνητοφώνησης περιγράφει αυστηρότερη είσοδο εξυπηρέτησης: μικρότερη από 250 MB και συντομότερη από δύο ώρες. Αυτά είναι χωριστά δηλωμένα όρια κάρτας μοντέλου και διεπαφής. Προετοιμάστε αρχεία εντός του ορίου της προβλεπόμενης διεπαφής και οργανώστε μεγαλύτερο υλικό σε ουσιαστικά όρια της ηχογράφησης. Ένα όριο μεγέθους αρχείου αφορά τον κωδικοποιημένο ήχο, ενώ το όριο διάρκειας αφορά το μήκος της ηχογράφησης ομιλίας· κανένα δεν ορίζει παράθυρο πλαισίου μοντέλου κειμένου.

Το παράδειγμα εξόδου της κάρτας μοντέλου είναι JSON που περιέχει τη διάρκεια της ηχογράφησης και το συνδυασμένο αναγνωρισμένο κείμενο. Το κείμενο μπορεί να γίνει προσβάσιμη απομαγνητοφώνηση, κείμενο για υπότιτλους ή είσοδος για μεταγενέστερη σύνοψη και αναζήτηση. Η ομαδοποίηση ατακών υποτίτλων και η ευθυγράμμιση με την ηχογράφηση είναι ξεχωριστή προετοιμασία όταν το αποτέλεσμα δεν περιλαμβάνει τα απαιτούμενα δεδομένα χρονισμού. Για καταγραφές συνεντεύξεων, η απόδοση μιας ατάκας σε κατονομαζόμενο συμμετέχοντα χρειάζεται ξεχωριστή ελεγμένη καταγραφή του ποιος μίλησε. Διατηρήστε την αναγνωρισμένη διατύπωση και τον ήχο ως βάση για αυτά τα μεταγενέστερα παραδοτέα.

Τα όρια της έκδοσης έχουν σημασία κατά τον σχεδιασμό της εξόδου. Η κάρτα 1.5 τοποθετεί ρητά τον διαχωρισμό ομιλητών εκτός των υποστηριζόμενων δυνατοτήτων της και η σύγκριση εκδόσεων του κατασκευαστή αποδίδει τις χρονικές σημάνσεις ανά λέξη και τις ρυθμίσεις ύφους clean/verbatim στο MAI-Transcribe 2. Ένα εγγενές μοντέλο ροής είναι επίσης ξεχωριστή έκδοση. Αυτό το προφίλ 1.5 επομένως εστιάζει σε αναγνωρισμένο κείμενο από ηχογραφήσεις και στο τεκμηριωμένο πλαίσιο του τομέα του, χωρίς να μετατρέπει τις δυνατότητες ομιλητών, χρονισμού ή ζωντανής εισόδου άλλης έκδοσης σε μέρος του αποτελέσματος. Ελέγξτε ονόματα, αριθμούς, τεχνικούς όρους και ασαφή ομιλία πριν προετοιμάσετε παράθεμα, κομμάτι υποτίτλων ή παράγωγο έγγραφο.