Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 est un modèle de reconnaissance vocale pour convertir l’audio enregistré en contenu écrit. Sa fiche exacte décrit la reconnaissance dans 43 langues, l’identification automatique de la langue et la robustesse face aux accents, aux dialectes, aux styles de parole et au bruit. L’édition ajoute dix-huit langues à l’ensemble de 25 langues de MAI-Transcribe 1. Un résultat utile est le texte parlé d’un cours, d’une entrevue, d’un appel ou d’une note vocale, prêt à être vérifié à partir de l’enregistrement avant une étape ultérieure de révision ou d’analyse.

Préparez un enregistrement complet et intelligible dans l’un des formats indiqués par le fabricant : WAV, MP3 ou FLAC. Gardez le fichier original et tout découpage en sections pour pouvoir comparer la transcription à l’audio. Pour un cours, conservez les expressions qui entourent un terme technique plutôt que d’extraire seulement le mot difficile. Pour une note vocale, préservez une correction qui change un nom, une heure ou un nombre. Les paroles environnantes fournissent le contexte pour reconnaître ce qui a été dit, et la vérification à l’écoute permet de repérer les endroits à corriger dans la sortie.

L’identification automatique de la langue permet de traiter un enregistrement sans choisir la langue à l’avance. L’ensemble de 43 langues comprend 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 langues ajoutées comprennent le bulgare, le catalan, le grec, l’ukrainien et plusieurs langues d’Asie du Sud. Vérifiez que la langue voulue appartient à l’ensemble de cette édition plutôt que de lui attribuer la couverture plus large de MAI-Transcribe 2. Pour des collections multilingues, conservez la langue de l’enregistrement avec le texte révisé pour que la révision en aval suive le contenu réellement parlé.

La fiche 1.5 décrit le guidage par mots-clés ou entités avec jusqu’à 200 termes, et la publication en explique l’objectif : fournir comme contexte les noms, les sigles et les mots spécialisés susceptibles d’apparaître. Le fabricant parle d’indices contextuels plutôt que d’insertion aveugle des mots fournis dans le résultat. Préparez un vocabulaire pertinent, comme le nom du projet, un instrument technique ou la graphie correcte d’une personne mentionnée dans l’enregistrement. Utilisez cette terminologie comme contexte de l’enregistrement réel et confrontez les termes reconnus aux paroles.

Pour un cours de génie enregistré, préparez les noms des instruments discutés et la graphie exacte de tout sigle de projet. Inscrivez leurs graphies exactes dans une liste terminologique ciblée et gardez-la avec l’audio et la transcription. Vérifiez ces occurrences à partir des passages parlés plutôt que de traiter une entrée de vocabulaire comme une preuve de correspondance. Des noms qui se ressemblent à l’oreille peuvent encore nécessiter une vérification. Le résultat doit conserver les mots réellement prononcés, y compris une correction ou une nuance qui en change le sens.

Le fabricant souligne les performances sur de l’audio réel, notamment avec bruit de fond et conditions de microphone diverses. Une vérification pratique peut cibler les passages où plusieurs personnes parlent en même temps, les voix faibles ou les mots partiellement couverts par un autre son. Gardez les incertitudes reliées au passage audio correspondant plutôt que de les combler à partir d’hypothèses sur le sujet. Une phrase plausible peut tout de même contenir le mauvais nom propre ou le mauvais nombre. Pour une transcription d’appel, le livrable utile est un relevé vérifié du contenu parlé utilisable par une analyse ultérieure, plutôt qu’une interprétation devinée de l’intention de l’appelant.

La fiche exacte 1.5 indique une taille maximale de fichier de 300 Mo et une durée de deux heures. Sa référence REST liée pour la transcription synchrone décrit une entrée de service plus stricte : moins de 250 Mo et moins de deux heures. Ce sont des limites de fiche et d’interface énoncées séparément. Préparez les fichiers selon la capacité de l’interface prévue et organisez les contenus plus longs à des limites d’enregistrement significatives. Une limite de taille concerne l’audio encodé, tandis qu’une limite de durée concerne la longueur de l’enregistrement parlé; aucune ne définit une fenêtre de contexte de modèle textuel.

L’exemple de sortie de la fiche est du JSON contenant la durée de l’enregistrement et le texte reconnu combiné. Le texte peut devenir une transcription accessible, un texte pour des sous-titres ou une entrée pour un résumé et une recherche ultérieurs. Le regroupement des sous-titres et leur alignement sur l’enregistrement constituent une préparation distincte lorsque le résultat ne comprend pas les données temporelles requises. Pour les comptes rendus d’entrevues, attribuer une réplique à un participant nommé exige un relevé distinct et vérifié de qui a parlé. Préservez les mots reconnus 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 prises en charge, et la comparaison des versions du fabricant attribue les horodatages au niveau des mots et les commandes de style clean/verbatim à MAI-Transcribe 2. Un modèle natif de diffusion en continu est aussi une édition distincte. Ce profil 1.5 se concentre donc sur le texte reconnu dans des enregistrements et son contexte spécialisé documenté, sans faire des fonctions de locuteurs, de temps ou d’entrée en direct d’une autre édition une partie de son résultat. Vérifiez les noms, les nombres, les termes techniques et les paroles peu claires avant de préparer une citation, une piste de sous-titres ou un document dérivé.