Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 es la edición de voz a texto para audio grabado de la familia de transcripción de segunda generación de Microsoft. Convierte contenido hablado en texto escrito en 60 idiomas, con identificación automática del idioma y compatibilidad con habla que alterna entre idiomas. El modelo añade diarización de hablantes, temporización por palabra y estilos seleccionables de transcripción. Los entregables útiles incluyen una transcripción de reunión con atribución de hablantes, un registro de entrevista con búsqueda, datos de alineación para subtítulos o dictado revisado con terminología especializada.

Prepara la grabación con el material hablado intacto. El fabricante indica entradas WAV, MP3 y FLAC. Mantén disponible el audio original para comparar palabras dudosas, nombres y números con el texto reconocido. Una grabación puede contener ruido de fondo o calidad variable del micrófono, aspectos que el modelo está diseñado para manejar, pero la revisión debe seguir centrándose en los pasajes poco claros o superpuestos. Para una entrevista, conserva la secuencia de turnos y pausas en lugar de eliminar el contexto que ayuda a interpretar una respuesta.

La detección automática del idioma resulta útil cuando el idioma no se conoce de antemano. El conjunto documentado de 60 idiomas incluye inglés, ruso, chino, japonés, coreano, árabe, francés, alemán, español, indonesio, malayo, tailandés y vietnamita. La alternancia de idiomas cubre cambios naturales entre idiomas, incluidas mezclas como Hinglish o Spanglish. La interfaz del fabricante también acepta una indicación de un solo idioma, que describe como una instrucción fuerte. Úsala únicamente cuando la grabación esté realmente en el idioma especificado, en lugar de forzar una conversación multilingüe a un idioma esperado.

La orientación por palabras clave proporciona términos específicos de dominio, abreviaturas, nombres de productos y nombres propios que de otro modo pueden ser difíciles de distinguir a partir del sonido. Prepara una lista enfocada y relacionada con la grabación, como el nombre del proyecto, una línea de productos o palabras técnicas usadas en la discusión. La guía de servicio los describe como indicaciones de reconocimiento, no como coincidencias forzadas. Para una clase técnica, incluye la escritura exacta de los instrumentos identificados y los términos especializados, y después comprueba si la transcripción los coloca donde realmente se pronunciaron. Un término proporcionado no demuestra que el hablante lo haya dicho.

Elige el estilo de salida según el entregable previsto. Verbatim, la opción predeterminada documentada, conserva muletillas, comienzos en falso y autocorrecciones. Clean elimina las disfluencias para una transcripción más legible. Un registro utilizado para examinar cómo se desarrolló una conversación puede conservar la vacilación y la corrección; una transcripción legible de una lección puede usar la redacción depurada. Mantén el audio original junto con cualquiera de los resultados. La depuración mejora la presentación del texto hablado y no debe tratarse como un resumen separado ni una nueva interpretación de lo que quiso decir el hablante.

La diarización de hablantes separa los turnos según el hablante detectado, y las marcas de tiempo por palabra proporcionan un desplazamiento y una duración para cada palabra. La interfaz de servicio también ofrece temporización por segmentos o ausencia de temporización. Los segmentos se dividen por idioma y, cuando está habilitada la diarización, por hablante. Los campos de tiempo usan milisegundos y pueden apoyar navegación, búsqueda y edición. Las etiquetas distinguen los hablantes detectados; asociar una etiqueta con el nombre de un participante es un paso separado de revisión. Para subtítulos, usa tiempos por palabra revisados para preparar grupos legibles de bloques, en lugar de asumir que el resultado del reconocimiento ya es un archivo terminado de subtítulos.

La ficha del modelo indica un tamaño máximo de archivo de 300 MB y dos horas. La referencia REST síncrona enlazada para la interfaz documentada 2025-10-15 exige, en cambio, un archivo menor de 250 MB y más corto de dos horas. Son restricciones publicadas distintas de la ficha del modelo y del servicio; prepara un archivo dentro de los límites aplicables del servicio. La guía MAI también indica que la diarización admite grabaciones más cortas que la transcripción sin diarización. Organiza el material largo con varios hablantes en secciones coherentes cuando se necesite atribución de hablantes, y conserva la posición de la sección en la grabación original para revisión posterior.

La salida documentada son datos estructurados de transcripción: el texto completo, frases y, cuando se solicita, información de hablantes y tiempos. Una frase puede incluir su texto, idioma, desplazamiento y duración; la temporización por palabra puede vincular una palabra reconocida con el audio. Para un archivo con búsqueda, conserva esas relaciones para que un término encontrado permita regresar a la grabación. Para un flujo de reuniones, una transcripción revisada se convierte en entrada para resumen posterior o extracción de acciones pendientes. El resultado del modelo de voz es el contenido reconocido, no un relato verificado de forma independiente de las decisiones de la reunión.

La diferencia entre versiones es concreta. MAI-Transcribe 1.5 cubre 43 idiomas, mientras que esta edición cubre 60 y añade los controles documentados de diarización, marcas de tiempo por palabra y estilos clean/verbatim. MAI-Transcribe 2 Streaming es un modelo separado para transcripción incremental en tiempo real con su propio conjunto de funciones; su latencia hasta el primer resultado parcial no describe esta edición para audio grabado. Contrasta la transcripción con el audio para revisar nombres, números, turnos de hablantes y pasajes con idiomas mezclados antes de utilizarla como fuente de subtítulos, citas o un documento derivado.