Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 es un modelo de voz a texto para convertir audio grabado en contenido escrito. Su ficha exacta describe reconocimiento en 43 idiomas, identificación automática del idioma y solidez frente a acentos, dialectos, estilos de habla y condiciones ruidosas. La edición amplía en dieciocho idiomas el conjunto de 25 idiomas de MAI-Transcribe 1. Un resultado útil es el habla escrita de una clase, una entrevista, una llamada o una nota de voz, lista para contrastarse con la grabación antes de un paso posterior de edición o análisis.

Prepara una grabación completa e inteligible en uno de los formatos indicados por el fabricante: WAV, MP3 o FLAC. Conserva el archivo original y cualquier división en secciones para poder comparar la transcripción con el audio. Para una clase, conserva las frases alrededor de un término técnico en lugar de extraer únicamente la palabra difícil. Para una nota de voz, conserva una corrección que cambie un nombre, una hora o un número. El habla circundante proporciona contexto para reconocer lo dicho, y la revisión de quien escucha puede identificar dónde necesita corregirse la salida.

La identificación automática del idioma permite procesar una grabación sin exigir una elección anticipada del idioma. El conjunto de 43 idiomas incluye inglés, francés, alemán, italiano, español, hindi, chino, japonés, coreano, árabe, indonesio, ruso, tailandés y vietnamita. Los idiomas añadidos incluyen búlgaro, catalán, griego, ucraniano y varios idiomas del sur de Asia. Comprueba que el idioma previsto pertenezca al conjunto de esta edición en lugar de tomar prestada la cobertura más amplia de MAI-Transcribe 2. Para colecciones multilingües, conserva el idioma de la grabación junto con el texto revisado para que la edición posterior siga el contenido realmente hablado.

La ficha del modelo 1.5 describe orientación por palabras clave o entidades con hasta 200 términos, y su publicación explica el propósito: poner a disposición como contexto nombres, acrónimos y palabras especializadas probables. El fabricante describe indicaciones contextuales, no la inserción forzada y ciega de palabras proporcionadas en el resultado. Prepara un vocabulario relevante, como el nombre del proyecto, un instrumento técnico o la escritura correcta del nombre de una persona mencionada en la grabación. Usa esa terminología como contexto de la grabación real y contrasta los términos reconocidos con el habla.

Para una lección grabada de ingeniería, prepara los nombres de los instrumentos tratados y la escritura exacta de cualquier acrónimo del proyecto. Escribe sus formas exactas en una lista enfocada de terminología y conserva la lista junto con el audio y la transcripción. Revisa esas apariciones frente a los pasajes hablados en lugar de tratar una entrada de vocabulario como prueba de una coincidencia. Los nombres que suenan parecidos pueden seguir necesitando comprobación. El resultado debe conservar las palabras realmente pronunciadas, incluida una corrección o una precisión que cambie su significado.

El fabricante enfatiza el rendimiento con audio del mundo real, incluido ruido de fondo y diversas condiciones de micrófono. La revisión práctica puede centrarse en pasajes con habla simultánea, voces débiles o palabras parcialmente tapadas por otro sonido. Mantén las incertidumbres vinculadas con el pasaje de audio correspondiente en lugar de completarlas con supuestos sobre el tema. Una oración plausible puede seguir conteniendo un nombre propio o un número incorrectos. Para una transcripción de llamada, el entregable útil es un registro revisado del contenido hablado que pueda utilizar un análisis posterior, y no un relato adivinado de la intención de quien llama.

La ficha exacta del modelo 1.5 indica un tamaño máximo de archivo de 300 MB y dos horas. Su referencia REST enlazada de transcripción síncrona describe una entrada de servicio más estricta: menor de 250 MB y más corta de dos horas. Son límites indicados por separado en la ficha del modelo y en la interfaz. Prepara archivos dentro de los límites de la interfaz prevista y organiza el material más largo en límites significativos de la grabación. Un límite de tamaño de archivo se refiere al audio codificado, mientras que el límite de duración se refiere a la longitud de la grabación hablada; ninguno define una ventana de contexto de un modelo de texto.

La salida de ejemplo de la ficha del modelo es JSON que contiene la duración de la grabación y el texto reconocido combinado. El texto puede convertirse en una transcripción accesible, un guion para subtítulos o una entrada para resumen y búsqueda posteriores. La agrupación de bloques de subtítulos y la alineación con la grabación son una preparación separada cuando el resultado no incluye los datos de tiempo necesarios. Para registros de entrevistas, atribuir una intervención a un participante identificado requiere un registro separado y comprobado de quién habló. Conserva la redacción reconocida y el audio como base para esos entregables posteriores.

Los límites de la edición importan al planear la salida. La ficha 1.5 coloca explícitamente la diarización de hablantes fuera de sus capacidades compatibles, y la comparación de versiones del fabricante asigna las marcas de tiempo por palabra y los controles de estilo clean/verbatim a MAI-Transcribe 2. Un modelo nativo de streaming también es una edición separada. Por ello, este perfil 1.5 se centra en texto reconocido a partir de grabaciones y su contexto de dominio documentado, sin convertir las funciones de hablantes, tiempos o entrada en vivo de otra edición en parte de su resultado. Revisa nombres, números, términos técnicos y habla poco clara antes de preparar un pasaje citado, una pista de subtítulos o un documento derivado.