Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 est un modèle de transcription 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 aux conditions bruitées. Cette édition ajoute dix-huit langues à 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, prête à être vérifiée 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. Conservez le fichier original et toute division en sections pour comparer la transcription à l’audio. Pour un cours, préservez les phrases autour d’un terme technique au lieu d’extraire uniquement le mot difficile. Pour une note vocale, préservez une correction qui modifie un nom, une heure ou un nombre. Les paroles environnantes apportent un contexte de reconnaissance, et la vérification par l’auditeur peut identifier les endroits où la sortie doit être corrigée.

L’identification automatique de la langue permet de traiter un enregistrement sans exiger de choix linguistique préalable. 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 visée appartient à l’ensemble de cette édition plutôt que de lui attribuer 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 le contenu réellement parlé.

La fiche du modèle 1.5 décrit une orientation par mots-clés ou entités allant jusqu’à 200 termes, et sa publication en explique le but : fournir comme contexte les noms, acronymes et mots spécialisés probables. Le fabricant décrit des indices contextuels plutôt que l’insertion forcée aveugle des mots fournis dans le résultat. Préparez un vocabulaire pertinent, comme le nom du projet, un instrument technique ou l’orthographe correcte du nom d’une personne mentionnée dans l’enregistrement. Utilisez cette terminologie comme contexte de l’enregistrement réel et vérifiez les termes reconnus à partir de la parole.

Pour un cours d’ingénierie enregistré, préparez les noms des instruments discutés et l’orthographe exacte de tout acronyme de projet. Écrivez ces orthographes 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 preuve de correspondance. Les noms aux sonorités proches peuvent toujours exiger une vérification. Le résultat doit préserver les mots réellement prononcés, y compris une correction ou une précision qui change leur sens.

Le fabricant met l’accent sur les performances avec l’audio réel, y compris le bruit de fond et diverses conditions de microphone. Une vérification pratique peut se concentrer sur les passages avec paroles simultanées, voix faibles ou mots partiellement couverts par un autre son. Gardez les incertitudes liées au passage audio correspondant au lieu de les combler par des hypothèses sur le sujet. Une phrase plausible peut toujours contenir un mauvais nom propre ou nombre. Pour la transcription d’un appel, le livrable utile est un compte rendu vérifié du contenu parlé utilisable par une analyse ultérieure, plutôt qu’un récit deviné de l’intention de l’appelant.

La fiche exacte du modèle 1.5 indique une taille maximale de fichier de 300 MB et une durée de deux heures. Sa référence REST de transcription synchrone liée décrit une entrée de service plus stricte : moins de 250 MB 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 documents longs selon des frontières d’enregistrement pertinentes. Une limite de taille concerne l’audio encodé, tandis que la 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 script de sous-titres ou une entrée pour le résumé et la recherche ultérieurs. Le regroupement des sous-titres et leur alignement avec l’enregistrement constituent une préparation distincte lorsque le résultat ne contient pas les données temporelles requises. Pour les comptes rendus d’entretien, attribuer une réplique à un participant nommé exige un relevé vérifié distinct de la personne qui a parlé. Préservez la formulation reconnue et l’audio comme base de ces livrables ultérieurs.

Les limites de l’édition importent dans la préparation de la sortie. La fiche 1.5 place explicitement la diarisation des locuteurs hors des capacités prises en charge, et la comparaison de 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 est donc centré sur le texte reconnu des enregistrements et son contexte de domaine documenté, sans intégrer au résultat les fonctions de locuteur, d’horodatage ou d’entrée en direct d’une autre édition. 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.