Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 adalah model ucapan-ke-teks untuk mengubah audio rekaman menjadi isi tertulis. Kartu model persisnya menjelaskan pengenalan dalam 43 bahasa, identifikasi bahasa otomatis, serta ketahanan terhadap beragam aksen, dialek, gaya bicara, dan kondisi bising. Edisi ini memperluas kumpulan 25 bahasa MAI-Transcribe 1 sebanyak delapan belas bahasa. Hasil yang berguna adalah ucapan tertulis dari kuliah, wawancara, panggilan, atau catatan suara, yang siap diperiksa terhadap rekaman sebelum tahap penyuntingan atau analisis selanjutnya.

Siapkan rekaman lengkap dan dapat dipahami dalam salah satu format yang dicantumkan pembuat: WAV, MP3, atau FLAC. Simpan berkas asli dan pembagian bagian jika ada agar transkrip dapat dibandingkan dengan audio. Untuk kuliah, pertahankan frasa di sekitar istilah teknis, jangan hanya mengekstrak kata yang sulit. Untuk catatan suara, pertahankan koreksi yang mengubah nama, waktu, atau angka. Ucapan di sekitarnya memberikan konteks untuk mengenali apa yang dikatakan, dan peninjauan pendengar dapat mengidentifikasi bagian keluaran yang perlu dikoreksi.

Identifikasi bahasa otomatis memungkinkan rekaman diproses tanpa mewajibkan pemilihan bahasa terlebih dahulu. Kumpulan 43 bahasa mencakup Inggris, Prancis, Jerman, Italia, Spanyol, Hindi, Mandarin, Jepang, Korea, Arab, Indonesia, Rusia, Thai, dan Vietnam. Bahasa tambahan mencakup Bulgaria, Katala, Yunani, Ukraina, dan beberapa bahasa Asia Selatan. Pastikan bahasa yang dituju termasuk dalam kumpulan edisi ini, jangan mengambil cakupan lebih luas milik MAI-Transcribe 2. Untuk koleksi multibahasa, simpan bahasa rekaman bersama teks yang telah ditinjau agar penyuntingan lanjutan mengikuti isi ucapan sebenarnya.

Kartu model 1.5 menjelaskan pembiasan kata kunci atau entitas dengan hingga 200 istilah, dan rilisnya menjelaskan tujuannya: menyediakan nama, akronim, dan kata khusus yang mungkin muncul sebagai konteks. Pembuat menjelaskan petunjuk kontekstual, bukan memasukkan kata yang diberikan secara paksa ke hasil tanpa pertimbangan. Siapkan kosakata relevan, seperti nama proyek, instrumen teknis, atau ejaan benar seseorang yang dibahas dalam rekaman. Gunakan terminologi tersebut sebagai konteks bagi rekaman sebenarnya, dan periksa istilah yang dikenali terhadap ucapan.

Untuk pelajaran teknik yang direkam, siapkan nama instrumen yang dibahas dan ejaan persis akronim proyek. Tulis ejaan persisnya dalam daftar terminologi terfokus dan simpan daftar bersama audio serta transkrip. Tinjau kemunculan istilah tersebut terhadap bagian ucapan, jangan memperlakukan entri kosakata sebagai bukti kecocokan. Nama yang terdengar serupa tetap mungkin perlu diperiksa. Hasil perlu mempertahankan kata yang benar-benar diucapkan, termasuk koreksi atau penjelas pembatas yang mengubah maknanya.

Produsen menekankan kinerja pada audio dunia nyata, termasuk kebisingan latar dan beragam kondisi mikrofon. Peninjauan praktis dapat berfokus pada bagian dengan ucapan bersamaan, suara lemah, atau kata yang sebagian tertutup bunyi lain. Hubungkan ketidakpastian dengan bagian audio terkait, jangan mengisinya dari asumsi tentang topik. Kalimat yang masuk akal tetap dapat memuat nama diri atau angka yang salah. Untuk transkrip panggilan, hasil yang berguna adalah catatan isi ucapan yang telah diperiksa untuk digunakan analisis selanjutnya, bukan perkiraan maksud penelepon.

Kartu model 1.5 persisnya mencantumkan ukuran berkas maksimum 300 MB dan dua jam. Referensi REST transkripsi sinkron yang ditautkan menjelaskan masukan layanan yang lebih ketat: lebih kecil dari 250 MB dan lebih pendek dari dua jam. Ini adalah batas kartu model dan antarmuka yang dinyatakan terpisah. Siapkan berkas dalam batas antarmuka yang dituju dan tata materi lebih panjang berdasarkan batas rekaman yang bermakna. Batas ukuran berkas menyangkut audio terenkode, sedangkan batas durasi menyangkut panjang rekaman ucapan; keduanya tidak menentukan jendela konteks model teks.

Contoh keluaran kartu model berupa JSON yang memuat durasi rekaman dan gabungan teks yang dikenali. Teks dapat menjadi transkrip aksesibel, naskah takarir, atau masukan untuk peringkasan dan pencarian selanjutnya. Pengelompokan potongan takarir dan penyelarasan dengan rekaman merupakan persiapan terpisah ketika hasil tidak mencakup data waktu yang diperlukan. Untuk catatan wawancara, mengatribusikan baris kepada peserta bernama memerlukan catatan terperiksa terpisah mengenai siapa yang berbicara. Pertahankan susunan kata yang dikenali dan audio sebagai dasar artefak berikutnya.

Batas edisi penting ketika merencanakan keluaran. Kartu 1.5 secara eksplisit menempatkan diarisasi pembicara di luar kemampuan yang didukung, dan perbandingan versi pembuat menetapkan stempel waktu tingkat kata serta kontrol gaya clean/verbatim sebagai fitur MAI-Transcribe 2. Model streaming bawaan juga merupakan edisi terpisah. Karena itu, varian 1.5 ini berpusat pada teks yang dikenali dari rekaman dan konteks domain yang didokumentasikan, tanpa menjadikan fitur pembicara, waktu, atau masukan langsung edisi lain sebagai bagian hasil. Periksa nama, angka, istilah teknis, dan ucapan tidak jelas sebelum menyiapkan kutipan, trek takarir, atau dokumen turunan.