Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 est l’édition de reconnaissance vocale sur audio enregistré de la famille de transcription de deuxième génération de Microsoft. Elle convertit le contenu parlé en texte écrit dans 60 langues, avec identification automatique de la langue et prise en charge des changements de langue dans la parole. Le modèle ajoute la diarisation des locuteurs, l’horodatage au niveau des mots et des styles de transcription sélectionnables. Les livrables utiles comprennent une transcription de réunion attribuée aux locuteurs, un compte rendu d’entrevue interrogeable, des données d’alignement pour sous-titres ou une dictée vérifiée comportant une terminologie spécialisée.

Préparez l’enregistrement en conservant intact le contenu parlé. Le fabricant indique les formats d’entrée WAV, MP3 et FLAC. Gardez l’audio original disponible pour comparer les mots incertains, les noms et les nombres au texte reconnu. Un enregistrement peut contenir du bruit de fond ou une qualité variable de microphone, que le modèle est conçu pour traiter; la vérification doit toutefois se concentrer sur les passages peu clairs ou les paroles superposées. Pour une entrevue, gardez l’ordre des tours de parole et des pauses plutôt que de retirer le contexte qui aide à interpréter une réponse.

La détection automatique de la langue est utile lorsque celle-ci est inconnue à l’avance. L’ensemble documenté de 60 langues comprend 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 des mélanges comme le Hinglish ou le Spanglish. L’interface du fabricant accepte aussi un seul indice de langue, décrit comme une consigne forte. Utilisez-le seulement lorsque l’enregistrement est réellement dans la langue indiquée plutôt que de forcer une conversation multilingue à correspondre à une seule langue attendue.

Le guidage par mots-clés fournit des termes spécialisés, des abréviations, des noms de produits et des noms propres qui pourraient autrement être difficiles à distinguer à l’écoute. Préparez une liste ciblée liée à l’enregistrement, comme le nom du projet, une gamme de produits ou des mots techniques employés dans la discussion. Le guide de service les décrit comme des indices de reconnaissance plutôt que des correspondances forcées. Pour un cours technique, incluez les graphies exactes des instruments nommés et des termes spécialisés, puis vérifiez si la transcription les place là où ils ont réellement été prononcés. Un terme fourni ne prouve pas que la personne l’a dit.

Choisissez le style de sortie selon le livrable prévu. Verbatim, le style par défaut documenté, conserve les mots de remplissage, les faux départs et les autocorrections. Clean retire les hésitations et autres disfluences pour une transcription plus lisible. Un relevé servant à examiner le déroulement d’une conversation peut conserver l’hésitation et la correction; une transcription lisible de cours peut utiliser la formulation nettoyée. Gardez l’audio original avec l’un ou l’autre résultat. Le nettoyage améliore la présentation du texte parlé et ne doit pas être traité comme un résumé distinct ou une nouvelle interprétation de l’intention du locuteur.

La diarisation sépare les tours selon le locuteur détecté, et les horodatages au niveau des mots fournissent un décalage et une durée pour chaque mot. L’interface de service propose aussi l’horodatage des segments ou l’absence d’horodatage. Les segments sont divisés par langue et, lorsque la diarisation est activée, par locuteur. Les champs temporels utilisent les millisecondes et peuvent servir à la navigation, à la recherche et au montage. Les étiquettes distinguent les locuteurs détectés; associer une étiquette au nom d’un participant est une étape de vérification distincte. Pour les sous-titres, utilisez les temps de mots vérifiés pour préparer des groupes lisibles plutôt que de supposer que le résultat de reconnaissance est déjà un fichier de sous-titres terminé.

La fiche du modèle indique une taille maximale de fichier de 300 Mo et une durée de deux heures. La référence REST synchrone liée pour l’interface documentée 2025-10-15 exige plutôt un fichier de moins de 250 Mo et de moins de deux heures. Il s’agit de contraintes publiées distinctes de la fiche du modèle et du service; préparez un fichier respectant la limite de service applicable. Le guide MAI précise aussi que la diarisation prend en charge des enregistrements plus courts que la transcription sans diarisation. Organisez les longs contenus à plusieurs voix en sections cohérentes lorsque l’attribution aux locuteurs est nécessaire, et conservez la position de chaque section dans l’enregistrement original pour une vérification ultérieure.

La sortie documentée est constituée de données de transcription structurées : le texte intégral, les segments de transcription (phrases) et, sur demande, les renseignements sur les locuteurs et les temps. Un segment de transcription peut porter son texte, sa langue, son décalage et sa durée; l’horodatage d’un mot peut relier le mot reconnu à l’audio. Pour des archives interrogeables, préservez ces relations afin qu’un terme trouvé permette de revenir à l’enregistrement. Pour un processus de réunion, une transcription vérifiée devient l’entrée d’un résumé ultérieur ou d’une extraction de points d’action. Le résultat du modèle vocal est le contenu reconnu, et non un compte rendu des décisions de la réunion vérifié indépendamment.

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 des mots et de styles clean/verbatim. MAI-Transcribe 2 Streaming est un modèle distinct de transcription incrémentale en temps réel, avec ses propres fonctions; sa latence jusqu’au premier résultat partiel ne décrit pas cette édition pour audio enregistré. Vérifiez la transcription à partir de l’audio pour les noms, les nombres, les tours de parole et les passages multilingues avant de l’utiliser comme source de sous-titres, de citations ou d’un document dérivé.