Microsoft AI: MAI-Transcribe 1.5

A Microsoft AI MAI-Transcribe 1.5 beszédfelismerő modell rögzített hang írott tartalommá alakításához. Pontos modellkártyája 43 nyelvre kiterjedő felismerést, automatikus nyelvazonosítást, valamint akcentusokkal, nyelvjárásokkal, beszédstílusokkal és zajos körülményekkel szembeni ellenálló képességet ír le. A kiadás tizennyolc nyelvvel bővíti a MAI-Transcribe 1 25 nyelvű készletét. Hasznos eredmény egy előadás, interjú, hívás vagy hangjegyzet írott beszéde, amely későbbi szerkesztés vagy elemzés előtt összevethető a felvétellel.

Készíts teljes, érthető felvételt a gyártó felsorolt formátumainak egyikében: WAV, MP3 vagy FLAC. Őrizd meg az eredeti fájlt és az esetleges szakaszfelosztást, hogy a leirat összevethető legyen a hanggal. Előadásnál a szakkifejezés körüli mondatrészeket tartsd meg, ne csak a nehéz szót emeld ki. Hangjegyzetnél őrizd meg a nevet, időpontot vagy számot módosító önjavítást. A környező beszéd kontextust ad az elhangzottak felismeréséhez, a hallgatói ellenőrzés pedig azonosíthatja a kimenet javítandó részeit.

Az automatikus nyelvazonosítás lehetővé teszi a felvétel feldolgozását előzetes nyelvválasztás nélkül. A 43 nyelv között szerepel az angol, francia, német, olasz, spanyol, hindi, kínai, japán, koreai, arab, indonéz, orosz, thai és vietnámi. A hozzáadott nyelvek között van a bolgár, katalán, görög, ukrán és több dél-ázsiai nyelv. Ellenőrizd, hogy a kívánt nyelv e kiadás készletébe tartozik-e, ne vedd át a MAI-Transcribe 2 szélesebb lefedettségét. Többnyelvű gyűjteményeknél a felvétel nyelvét őrizd meg az ellenőrzött szöveg mellett, hogy a későbbi szerkesztés a ténylegesen elhangzott tartalmat kövesse.

Az 1.5 modellkártya legfeljebb 200 kifejezéssel végzett kulcsszó- vagy entitásalapú felismerési befolyásolást ír le, kiadási leírása pedig elmagyarázza a célt: valószínű nevek, betűszók és szakkifejezések kontextusként történő elérhetővé tételét. A gyártó kontextuális támpontokat ír le, nem a megadott szavak vak kikényszerítését az eredményben. Készíts releváns szókészletet, például projektnévvel, műszaki műszerrel vagy a felvételen tárgyalt személy nevének helyes írásmódjával. E terminológiát a tényleges felvétel kontextusaként használd, és a felismert kifejezéseket ellenőrizd a beszéd alapján.

Rögzített mérnöki órához készítsd elő a tárgyalt műszerek nevét és minden projektbetűszó pontos írásmódját. Ezeket célzott terminológiai listába írd, és a listát tartsd a hang és a leirat mellett. Előfordulásaikat az elhangzó részekhez mérten ellenőrizd, ne a szójegyzék bejegyzését tekintsd az egyezés bizonyítékának. A hasonló hangzású nevek továbbra is ellenőrzést igényelhetnek. Az eredmény a ténylegesen kimondott szavakat őrizze meg, a jelentésüket módosító javítással vagy pontosítással együtt.

A gyártó a valós hanganyagokon nyújtott teljesítményt hangsúlyozza, háttérzajjal és változatos mikrofonkörülményekkel együtt. Gyakorlati ellenőrzésnél az egyszerre beszélő részekre, halk hangokra vagy más hang által részben elfedett szavakra összpontosíthatsz. A bizonytalanságokat a megfelelő hangrészlethez kösd, ne a témára vonatkozó feltételezésekből töltsd ki őket. Hihető mondatban is szerepelhet rossz tulajdonnév vagy szám. Hívásleiratnál hasznos eredmény az elhangzott tartalom ellenőrzött rekordja későbbi elemzéshez, nem a hívó szándékáról szóló találgatás.

A pontos 1.5 modellkártya legfeljebb 300 MB fájlméretet és két órát sorol fel. A hozzá kapcsolt szinkron átírási REST-referencia szigorúbb kiszolgálási bemenetet ír le: 250 MB-nál kisebb és két óránál rövidebb fájlt. Ezek külön közölt modellkártya- és felületi korlátok. A tervezett felület keretén belüli fájlokat készíts, a hosszabb anyagot pedig értelmes felvételhatároknál oszd fel. A fájlméretkorlát a kódolt hangra, az időtartamkorlát a beszédfelvétel hosszára vonatkozik; egyik sem szövegmodell-kontextusablakot határoz meg.

A modellkártya mintakimenete JSON, amely a felvétel időtartamát és az egyesített felismert szöveget tartalmazza. A szöveg akadálymentesen hozzáférhető leirat, feliratszöveg vagy későbbi összefoglalás és keresés bemenete lehet. A felirategységek csoportosítása és felvételhez illesztése külön előkészítés, ha az eredmény nem tartalmazza a szükséges időzítési adatokat. Interjúrekordnál egy sor megnevezett résztvevőhöz rendeléséhez külön ellenőrzött feljegyzés kell arról, ki beszélt. A felismert megfogalmazást és a hangot e későbbi eredmények alapjaként őrizd meg.

A kiadás határai fontosak a kimenet tervezésénél. Az 1.5 kártya kifejezetten a támogatott képességeken kívülre helyezi a beszélőszétválasztást, a gyártó verzió-összehasonlítása pedig a szószintű időbélyegeket és a clean/verbatim stílusvezérlőket a MAI-Transcribe 2-höz rendeli. A natív streamingmodell szintén külön kiadás. Ez az 1.5 profil ezért a felvételekből felismert szövegre és dokumentált szakterületi kontextusára összpontosít, nem teszi egy másik kiadás beszélő-, időzítési vagy élőbemeneti funkcióit az eredmény részévé. Idézett részlet, feliratsáv vagy származtatott dokumentum készítése előtt ellenőrizd a neveket, számokat, szakkifejezéseket és a nem egyértelmű beszédet.