Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 est un modèle de reconnaissance vocale convertissant l’audio enregistré en contenu écrit. Sa fiche exacte décrit la reconnaissance dans 43 langues, l’identification automatique de la langue et la robustesse aux accents, dialectes, styles de parole et conditions bruitées. Cette édition étend de dix-huit langues l’ensemble de 25 langues de MAI-Transcribe 1. Un résultat utile est la parole écrite d’un cours, d’un entretien, d’un appel ou d’une note vocale, à vérifier avec l’enregistrement avant une étape de révision ou d’analyse.

Préparez un enregistrement complet et intelligible dans l’un des formats indiqués : WAV, MP3 ou FLAC. Conservez le fichier original et son éventuel découpage en sections pour comparer la transcription à l’audio. Pour un cours, gardez les phrases autour d’un terme technique plutôt que d’extraire seulement le mot difficile. Pour une note vocale, préservez une correction modifiant un nom, une heure ou un nombre. Les paroles environnantes apportent le contexte de reconnaissance, et l’écoute permet de repérer les corrections nécessaires dans la sortie.

L’identification automatique permet de traiter un enregistrement sans choisir d’avance une langue. Les 43 langues comprennent l’anglais, le français, l’allemand, l’italien, l’espagnol, l’hindi, le chinois, le japonais, le coréen, l’arabe, l’indonésien, le russe, le thaï et le vietnamien. Les ajouts comprennent le bulgare, le catalan, le grec, l’ukrainien et plusieurs langues d’Asie du Sud. Vérifiez que la langue voulue appartient à cette édition plutôt que d’emprunter la couverture plus large de MAI-Transcribe 2. Pour les collections multilingues, conservez la langue de l’enregistrement avec le texte vérifié afin que la révision en aval suive les paroles réelles.

La fiche 1.5 décrit des indications de mots-clés ou d’entités allant jusqu’à 200 termes, et la publication en explique le but : rendre disponibles comme contexte les noms, acronymes et termes spécialisés probables. Le fabricant décrit des indications contextuelles, sans forcer aveuglément les mots fournis dans le résultat. Préparez un vocabulaire pertinent, comme le nom du projet, un instrument technique ou la graphie d’une personne mentionnée dans l’enregistrement. Utilisez cette terminologie comme contexte pour l’enregistrement réel et vérifiez les termes reconnus à partir de la parole.

Pour un cours d’ingénierie enregistré, préparez les noms des instruments abordés et la graphie exacte des acronymes de projet. Inscrivez-les dans une liste terminologique ciblée à conserver avec l’audio et la transcription. Vérifiez leurs occurrences à partir des passages parlés plutôt que de considérer une entrée de vocabulaire comme une preuve de correspondance. Des noms phonétiquement proches peuvent encore exiger une vérification. Le résultat doit préserver les mots réellement prononcés, y compris une correction ou une précision qui en modifie le sens.

Le fabricant insiste sur les performances dans l’audio réel, avec bruit ambiant et conditions de microphone variées. La vérification pratique peut cibler les passages à paroles simultanées, voix faibles ou mots partiellement couverts par un autre son. Reliez les incertitudes au passage audio correspondant plutôt que de les combler à partir d’hypothèses sur le sujet. Une phrase plausible peut encore contenir un nom propre ou un nombre incorrect. Pour un appel, le livrable utile est un relevé vérifié des paroles utilisable par une analyse ultérieure, plutôt qu’une interprétation supposée de l’intention de l’appelant.

La fiche exacte 1.5 indique une taille maximale de 300 Mo et deux heures. Sa référence REST synchrone de transcription liée décrit une entrée de service plus restrictive : moins de 250 Mo et moins de deux heures. Ces limites de fiche et d’interface sont énoncées séparément. Préparez les fichiers dans les limites de l’interface visée et découpez les sources longues à des points cohérents de l’enregistrement. La limite de taille concerne l’audio encodé, celle de durée la longueur de l’enregistrement ; aucune ne définit une fenêtre de contexte de modèle textuel.

L’exemple de sortie de la fiche est un JSON contenant la durée de l’enregistrement et le texte reconnu réuni. Ce texte peut devenir une transcription accessible, un script de sous-titres ou une entrée pour une synthèse et une recherche ultérieures. Le regroupement des sous-titres et leur alignement sur l’enregistrement sont une préparation distincte lorsque le résultat ne contient pas les temps nécessaires. Pour un entretien, attribuer une réplique à un participant nommé exige un relevé vérifié séparé de qui a parlé. Préservez les paroles reconnues et l’audio comme base de ces livrables ultérieurs.

Les limites de l’édition comptent pour planifier la sortie. La fiche 1.5 exclut explicitement la diarisation des locuteurs de ses capacités, et la comparaison du fabricant attribue l’horodatage par mot et les styles Clean/Verbatim à MAI-Transcribe 2. Un modèle de streaming natif est aussi une édition distincte. Ce profil 1.5 se concentre donc sur le texte reconnu d’enregistrements et son contexte métier documenté, sans lui attribuer les fonctions de locuteurs, d’horodatage ou d’entrée en direct d’une autre édition. Vérifiez les noms, nombres, termes techniques et paroles incertaines avant de préparer une citation, une piste de sous-titres ou un document dérivé.