Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 est l’édition de reconnaissance vocale sur audio enregistré de la deuxième génération de transcription de Microsoft. Elle convertit la parole en texte écrit dans 60 langues, avec identification automatique de la langue et prise en charge de l’alternance entre langues. Le modèle ajoute la diarisation des locuteurs, l’horodatage des mots et des styles de transcription sélectionnables. Les livrables utiles comprennent une transcription de réunion attribuée, un entretien consultable par recherche, des données d’alignement de sous-titres ou une dictée vérifiée contenant une terminologie spécialisée.

Préparez l’enregistrement en conservant la parole intacte. Le fabricant énumère les entrées WAV, MP3 et FLAC. Gardez l’audio original pour comparer les mots, noms et nombres incertains au texte reconnu. Un enregistrement peut contenir du bruit ambiant ou une qualité de microphone variable, que le modèle est conçu pour gérer, mais la vérification doit toujours cibler les passages peu clairs ou superposés. Pour un entretien, gardez la succession des tours et des pauses plutôt que de retirer le contexte aidant à interpréter une réponse.

La détection automatique est utile lorsque la langue n’est pas connue d’avance. Les 60 langues documentées comprennent l’anglais, le russe, le chinois, le japonais, le coréen, l’arabe, le français, l’allemand, l’espagnol, l’indonésien, le malais, le thaï et le vietnamien. L’alternance linguistique couvre les changements naturels entre langues, y compris les mélanges comme le Hinglish ou le Spanglish. L’interface accepte aussi une indication de langue unique, décrite comme une instruction forte. Utilisez-la uniquement lorsque l’enregistrement est réellement dans cette langue, plutôt que de forcer une conversation multilingue dans une langue attendue.

Les indications de mots-clés fournissent des termes métier, abréviations, noms de produits et noms propres parfois difficiles à distinguer à l’écoute. Préparez une liste ciblée liée à l’enregistrement, comme le nom du projet, une gamme de produits ou les termes techniques de la discussion. Le guide de service les décrit comme des aides à la reconnaissance plutôt que des correspondances forcées. Pour un cours technique, incluez les graphies exactes des instruments nommés et des termes spécialisés, puis vérifiez que la transcription les place là où ils ont réellement été prononcés. Un terme fourni ne prouve pas que le locuteur l’a dit.

Choisissez le style de sortie selon le livrable visé. Verbatim, valeur par défaut documentée, conserve hésitations, faux départs et autocorrections. Clean retire les disfluences pour rendre la transcription plus lisible. Un relevé destiné à examiner le déroulement d’une conversation peut préserver l’hésitation et la correction ; une transcription de cours lisible peut employer la formulation épurée. Gardez l’audio original avec l’un ou l’autre résultat. Le nettoyage améliore la présentation des paroles et ne doit pas être traité comme un résumé distinct ou une nouvelle interprétation de leur sens.

La diarisation sépare les tours selon le locuteur détecté, et les horodatages par mot fournissent un décalage et une durée pour chaque mot. L’interface de service propose aussi un horodatage par segment ou aucun horodatage. Les segments sont divisés par langue et, lorsque la diarisation est activée, par locuteur. Les champs temporels utilisent les millisecondes et servent la navigation, la recherche et le montage. Les étiquettes distinguent les locuteurs détectés ; les associer aux noms des participants exige une vérification séparée. Pour les sous-titres, utilisez les temps par mot vérifiés afin de préparer des groupes lisibles, sans supposer que le résultat de reconnaissance est déjà un fichier de sous-titres terminé.

La fiche indique une taille maximale de 300 Mo et deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 impose toutefois un fichier inférieur à 250 Mo et de moins de deux heures. Ce sont des contraintes distinctes publiées dans la fiche et pour le service ; préparez un fichier respectant la limite de service applicable. Le guide MAI précise également que la diarisation prend en charge des enregistrements plus courts que la transcription sans diarisation. Découpez les longs enregistrements multilocuteurs en sections cohérentes si l’attribution est requise et conservez leur position dans l’original pour la vérification ultérieure.

La sortie documentée est une transcription structurée : texte intégral, phrases et, si demandées, informations de locuteurs et d’horodatage. Une phrase peut contenir son texte, sa langue, son décalage et sa durée ; l’horodatage par mot peut relier un mot reconnu à l’audio. Pour des archives consultables, préservez ces relations afin qu’un terme trouvé ramène à l’enregistrement. Pour une réunion, une transcription vérifiée devient une entrée pour une synthèse ou une extraction d’actions ultérieure. Le résultat du modèle vocal est le contenu reconnu, pas un relevé indépendamment vérifié des décisions de la réunion.

La distinction entre versions est concrète. MAI-Transcribe 1.5 couvre 43 langues, tandis que cette édition en couvre 60 et ajoute les commandes documentées de diarisation, d’horodatage par mot et de styles Clean/Verbatim. MAI-Transcribe 2 Streaming est un modèle séparé pour la transcription incrémentale en temps réel, avec ses propres fonctions ; sa latence de premier résultat partiel ne décrit pas cette édition d’audio enregistré. Vérifiez les noms, nombres, tours de parole et passages multilingues à partir de l’audio avant d’utiliser la transcription pour des sous-titres, citations ou documents dérivés.