Microsoft AI: MAI-Transcribe 2

A Microsoft AI MAI-Transcribe 2 a Microsoft második generációs átírási családjának rögzített hanganyaghoz készült beszédfelismerő kiadása. Beszélt tartalmat alakít írott szöveggé 60 nyelven, automatikus nyelvazonosítással és a nyelvek között váltó beszéd támogatásával. A modell beszélőszétválasztást, szószintű időzítést és választható leiratstílusokat ad hozzá. Hasznos eredmény lehet beszélőkhöz rendelt értekezletleirat, kereshető interjúrekord, feliratillesztési adat vagy szakkifejezéseket tartalmazó ellenőrzött diktálás.

A felvételt a beszélt anyag sértetlen megőrzésével készítsd elő. A gyártó WAV, MP3 és FLAC bemenetet sorol fel. Az eredeti hang maradjon elérhető a bizonytalan szavak, nevek és számok felismert szöveggel történő összevetéséhez. A felvételen lehet háttérzaj vagy változó mikrofonminőség, amelynek kezelésére a modellt tervezték, de az ellenőrzés továbbra is a nem egyértelmű vagy egymásra beszélő részekre összpontosítson. Interjúnál a megszólalások és szünetek sorrendjét őrizd meg, ne távolítsd el a válasz értelmezését segítő kontextust.

Az automatikus nyelvfelismerés akkor hasznos, ha a nyelv előre nem ismert. A dokumentált 60 nyelv között szerepel az angol, orosz, kínai, japán, koreai, arab, francia, német, spanyol, indonéz, maláj, thai és vietnámi. A nyelvváltás a nyelvek közötti természetes váltásokat is lefedi, olyan kevert párokkal, mint a Hinglish vagy a Spanglish. A gyártó felülete egyetlen nyelvi támpontot is fogad, amelyet erős utasításként ír le. Ezt csak akkor használd, ha a felvétel ténylegesen a megadott nyelvű, ne kényszeríts többnyelvű beszélgetést egyetlen elvárt nyelvre.

A kulcsszavas felismerési támpontok szakterületi kifejezéseket, rövidítéseket, termékneveket és tulajdonneveket adnak meg, amelyek hang alapján máskülönben nehezen különböztethetők meg. Készíts a felvételhez kapcsolódó célzott listát, például a projekt nevével, termékvonallal vagy a beszélgetés műszaki szavaival. A kiszolgálási útmutató ezeket felismerési támpontként írja le, nem kikényszerített egyezésként. Műszaki előadáshoz add meg a megnevezett műszerek és szakkifejezések pontos írásmódját, majd ellenőrizd, hogy a leirat ott helyezi-e el őket, ahol ténylegesen elhangzottak. Egy megadott kifejezés nem bizonyíték arra, hogy a beszélő kimondta.

A kimeneti stílust a kívánt eredmény szerint válaszd. A dokumentált alapértelmezett Verbatim megőrzi a töltelékszavakat, félbehagyott mondatkezdéseket és önjavításokat. A Clean eltávolítja a megakadásokat az olvashatóbb leiratért. A beszélgetés alakulását vizsgáló rekord megőrizheti a habozást és javítást; olvasható tanóraleirat használhat tisztított megfogalmazást. Az eredeti hangot bármely eredmény mellett őrizd meg. A tisztítás a beszélt szöveg megjelenítését javítja, nem külön összefoglalás vagy a beszélő szándékának új értelmezése.

A beszélőszétválasztás a felismert beszélők szerint különíti el a megszólalásokat, a szószintű időbélyegek pedig minden szóhoz eltolást és időtartamot adnak. A kiszolgálási felület szegmensidőzítést vagy időzítés nélküli módot is kínál. A szegmensek nyelv szerint, engedélyezett beszélőszétválasztásnál pedig beszélő szerint is elkülönülnek. Az időzítési mezők ezredmásodpercet használnak, és navigációt, keresést, szerkesztést támogathatnak. A címkék a felismert beszélőket különböztetik meg; egy címke résztvevőnévhez kapcsolása külön ellenőrzési lépés. Feliratokhoz ellenőrzött szóidőzítésekből készíts olvasható egységcsoportokat, ne feltételezd, hogy a felismerési eredmény már kész feliratfájl.

A modellkártya legfeljebb 300 MB fájlméretet és két órát sorol fel. A dokumentált 2025-10-15 felülethez kapcsolt szinkron REST-referencia ehelyett 250 MB-nál kisebb és két óránál rövidebb fájlt ír elő. Ezek eltérő közzétett modellkártya- és kiszolgálási korlátok; az alkalmazható kiszolgálási kereten belüli fájlt készíts. A MAI-útmutató azt is közli, hogy a beszélőszétválasztás rövidebb felvételeket támogat, mint az anélküli átírás. Hosszú, több beszélős anyagot összefüggő részekre szervezz, ha beszélőhöz rendelés szükséges, és későbbi ellenőrzéshez őrizd meg a rész helyét az eredeti felvételben.

A dokumentált kimenet strukturált átírási adat: teljes szöveg, kifejezések és kérés esetén beszélő- és időzítési információ. Egy kifejezés hordozhatja a szövegét, nyelvét, eltolását és időtartamát; a szóidőzítés a felismert szót a hanghoz kapcsolhatja. Kereshető archívumnál őrizd meg ezeket a kapcsolatokat, hogy egy megtalált kifejezés visszavezessen a felvételhez. Értekezleti munkafolyamatban az ellenőrzött leirat későbbi összefoglalás vagy teendőkinyerés bemenetévé válik. A beszédmodell eredménye a felismert tartalom, nem az értekezlet döntéseiről szóló, önállóan ellenőrzött beszámoló.

A verziókülönbség konkrét. A MAI-Transcribe 1.5 43 nyelvet fed le, ez a kiadás 60-at, és hozzáadja a dokumentált beszélőszétválasztási, szóidőbélyeg- és clean/verbatim vezérlőket. A MAI-Transcribe 2 Streaming külön modell fokozatos, valós idejű átíráshoz saját funkciókészlettel; az első részeredményének késleltetése nem jellemzi ezt a rögzített hanghoz készült kiadást. A leiratot nevek, számok, beszélőváltások és kevert nyelvű részek tekintetében ellenőrizd a hang alapján, mielőtt feliratok, idézetek vagy származtatott dokumentum forrásaként használod.