Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 on Microsoftin toisen sukupolven litterointiperheen tallennetun äänen puheentunnistusversio. Se muuntaa puhutun sisällön kirjalliseksi tekstiksi 60 kielellä käyttäen automaattista kielentunnistusta ja tukien kieltä vaihtavaa puhetta. Malli lisää puhujien erottelun, sanatason ajoituksen ja valittavat litterointityylit. Hyödyllisiä tuotoksia ovat puhujille kohdistettu kokouslitterointi, haettava haastattelutietue, tekstityksen kohdistustiedot tai erikoissanastoa sisältävä tarkistettu sanelu.

Valmistele tallenne säilyttäen puhuttu aineisto ehjänä. Valmistaja luettelee syötemuodoiksi WAV:n, MP3:n ja FLAC:n. Pidä alkuperäinen ääni saatavilla epävarmojen sanojen, nimien ja numeroiden vertaamiseksi tunnistettuun tekstiin. Tallenteessa voi olla taustamelua tai vaihtelevaa mikrofonilaatua, joita malli on suunniteltu käsittelemään, mutta tarkistuksen tulee silti keskittyä epäselviin tai päällekkäisiin kohtiin. Säilytä haastattelussa vuorojen ja taukojen sarja sen sijaan, että poistaisit vastauksen tulkintaa auttavan kontekstin.

Automaattinen kielentunnistus on hyödyllinen, kun kieltä ei tiedetä etukäteen. Dokumentoitu 60 kielen joukko sisältää englannin, venäjän, kiinan, japanin, korean, arabian, ranskan, saksan, espanjan, indonesian, malaijin, thain ja vietnamin. Kielenvaihdon tuki kattaa luonnolliset muutokset kielten välillä, mukaan lukien sekoittuneet parit kuten Hinglish ja Spanglish. Valmistajan rajapinta hyväksyy myös yhden kielivihjeen, jota se kuvaa vahvaksi ohjeeksi. Käytä sitä vain, kun tallenne todella on määritetyllä kielellä, sen sijaan että pakottaisit monikielisen keskustelun yhteen odotettuun kieleen.

Avainsanavihjeet tarjoavat alakohtaisia termejä, lyhenteitä, tuotenimiä ja erisnimiä, jotka voisivat muuten olla vaikeasti erotettavissa äänestä. Valmistele tallenteeseen liittyvä rajattu luettelo, kuten projektin nimi, tuotelinja tai keskustelussa käytetyt tekniset sanat. Palveluopas kuvaa näitä tunnistusvihjeiksi eikä pakotetuiksi osumiksi. Sisällytä tekniseen luentoon nimettyjen välineiden ja erikoistermien tarkat kirjoitusasut ja tarkista sitten, sijoittaako litterointi ne kohtiin, joissa ne todella lausuttiin. Annettu termi ei ole näyttöä siitä, että puhuja sanoi sen.

Valitse tulostyyli tarkoitetun tuotoksen mukaan. Verbatim, dokumentoitu oletus, säilyttää täytesanat, keskeytyneet aloitukset ja itsekorjaukset. Clean poistaa puheen takeltelut luettavamman litteroinnin aikaansaamiseksi. Keskustelun etenemisen tarkasteluun käytetty tietue voi säilyttää epäröinnin ja korjauksen; luettava oppituntilitterointi voi käyttää siistittyä sanamuotoa. Pidä alkuperäinen ääni kummankin tuloksen rinnalla. Siistiminen parantaa puhutun tekstin esitystä eikä sitä tule pitää erillisenä tiivistelmänä tai uutena tulkintana puhujan tarkoituksesta.

Puhujien erottelu jakaa vuorot tunnistetun puhujan mukaan, ja sanatason aikaleimat antavat jokaiselle sanalle siirtymän ja keston. Palvelurajapinta tarjoaa myös segmenttiajoituksen tai ajoituksettomuuden. Segmentit jaetaan kielen ja erottelun ollessa käytössä puhujan mukaan. Ajoituskentät käyttävät millisekunteja ja voivat tukea navigointia, hakua ja editointia. Merkinnät erottavat tunnistetut puhujat; merkinnän yhdistäminen osallistujan nimeen on erillinen tarkistusvaihe. Käytä tekstityksiin tarkistettuja sana-aikoja luettavien repliikkiryhmien valmisteluun sen sijaan, että olettaisit tunnistustuloksen olevan valmis tekstitystiedosto.

Mallikortti ilmoittaa enimmäistiedostokooksi 300 MB ja kestoksi kaksi tuntia. Dokumentoidun 2025-10-15-rajapinnan linkitetty synkroninen REST-viite vaatii sen sijaan alle 250 MB:n tiedoston ja alle kahden tunnin keston. Nämä ovat erilliset julkaistut mallikortti- ja palvelurajoitteet; valmistele tiedosto soveltuvan palvelurajan sisään. MAI-opas toteaa myös puhujien erottelun tukevan lyhyempiä tallenteita kuin litteroinnin ilman erottelua. Järjestä pitkä usean puhujan aineisto yhtenäisiksi osiksi, kun puhujan kohdistus tarvitaan, ja säilytä osan sijainti alkuperäisessä tallenteessa myöhempään tarkistukseen.

Dokumentoitu tuloste on rakenteista litterointidataa: kokoteksti, ilmaukset ja pyydettäessä puhuja- ja ajoitustiedot. Ilmaus voi sisältää tekstinsä, kielensä, siirtymänsä ja kestonsa; sana-ajoitus voi yhdistää tunnistetun sanan ääneen. Säilytä haettavassa arkistossa nämä suhteet, jotta löydetty termi voi johtaa takaisin tallenteeseen. Kokoustyönkulussa tarkistettu litterointi on syöte myöhemmälle tiivistämiselle tai toimenpiteiden poiminnalle. Puhemallin tulos on tunnistettu sisältö, ei itsenäisesti varmennettu kuvaus kokouksen päätöksistä.

Versioero on konkreettinen. MAI-Transcribe 1.5 kattaa 43 kieltä, kun taas tämä versio kattaa 60 ja lisää dokumentoidut puhujien erottelun, sana-aikaleimojen ja clean/verbatim-tyylien säätimet. MAI-Transcribe 2 Streaming on erillinen malli asteittaiseen reaaliaikaiseen litterointiin omalla ominaisuusjoukollaan; sen ensimmäisen osatuloksen viive ei kuvaa tätä tallennetun äänen versiota. Tarkista litterointi ääntä vasten nimien, numeroiden, puheenvuorojen ja monikielisten kohtien osalta ennen sen käyttöä tekstitysten, lainausten tai johdetun asiakirjan lähteenä.