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 lenguas. El modelo añade diarización de hablantes, temporización por palabra y estilos de transcripción seleccionables. Los resultados útiles incluyen una transcripción de reunión con atribución de intervenciones, un registro de entrevista consultable, datos de alineación para subtítulos o dictado revisado con terminología especializada.

Prepara la grabación manteniendo intacto el material hablado. El fabricante enumera entradas WAV, MP3 y FLAC. Conserva el audio original disponible para comparar las palabras, nombres y números dudosos con el texto reconocido. Una grabación puede contener ruido de fondo o calidad variable del micrófono, condiciones para las que está diseñado el modelo, pero la revisión debe seguir centrándose en 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 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 lenguas cubre cambios naturales entre idiomas, incluidas combinaciones como hinglish o spanglish. La interfaz del fabricante también acepta una única indicación de idioma, que describe como una instrucción fuerte. Utilízala solo cuando la grabación esté realmente en el idioma especificado, en lugar de forzar una conversación multilingüe a un único idioma esperado.

La orientación por palabras clave aporta términos de dominio, abreviaturas, nombres de productos y nombres propios que de otro modo podrían resultar difíciles de distinguir por el sonido. Prepara una lista acotada relacionada con la grabación, como el nombre del proyecto, una línea de producto o palabras técnicas utilizadas en la conversación. La guía de servicio los describe como indicaciones para el reconocimiento, no como coincidencias forzadas. Para una clase técnica, incluye las grafías exactas de los instrumentos nombrados y los términos especializados, y después comprueba si la transcripción los coloca donde realmente se pronunciaron. Un término suministrado no demuestra que el hablante lo dijera.

Elige el estilo de salida según el resultado previsto. Verbatim, el valor predeterminado documentado, conserva muletillas, arranques fallidos y autocorrecciones. Clean elimina disfluencias para una transcripción más legible. Un registro utilizado para examinar cómo se desarrolló una conversación puede preservar la vacilación y la corrección; una transcripción legible de una lección puede utilizar la redacción limpia. Conserva el audio original junto a cualquiera de los resultados. La limpieza mejora la presentación del texto hablado y no debe tratarse como un resumen separado ni como una interpretación nueva de lo que quiso decir el hablante.

La diarización separa los turnos según el hablante detectado, y las marcas de tiempo por palabra aportan 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 la diarización está habilitada, por hablante. Los campos temporales utilizan milisegundos y pueden servir para navegación, búsqueda y edición. Las etiquetas distinguen a los hablantes detectados; relacionar una etiqueta con el nombre de un participante es un paso independiente de revisión. Para subtítulos, utiliza tiempos de palabra comprobados para preparar grupos legibles de entradas, en lugar de asumir que el resultado de reconocimiento ya es un archivo de subtítulos terminado.

La ficha del modelo indica un 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 de menos de 250 MB y de duración inferior a dos horas. Son restricciones publicadas distintas de la ficha del modelo y del servicio; prepara un archivo dentro del límite de servicio aplicable. 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 cada sección en la grabación original para revisarla después.

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 al audio. Para un archivo consultable, conserva esas relaciones para que un término encontrado permita volver a la grabación. Para un flujo de reuniones, una transcripción revisada se convierte en entrada para un resumen posterior o extracción de acciones. 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 de versión 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 sus propias funciones; su latencia hasta el primer resultado parcial no describe esta edición para audio grabado. Contrasta la transcripción con el audio para nombres, números, turnos de hablantes y pasajes con mezcla de idiomas antes de utilizarla como fuente para subtítulos, citas o un documento derivado.