Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 adalah edisi ucapan-ke-teks untuk audio rekaman dalam keluarga transkripsi generasi kedua Microsoft. Model ini mengubah isi ucapan menjadi teks tertulis dalam 60 bahasa, dengan identifikasi bahasa otomatis dan dukungan ucapan yang berganti bahasa. Model menambahkan diarisasi pembicara, informasi waktu tingkat kata, dan gaya transkripsi yang dapat dipilih. Artefak yang berguna mencakup transkrip rapat beratribusi pembicara, catatan wawancara yang dapat dicari, data penyelarasan takarir, atau dikte terperiksa yang memuat terminologi khusus.

Siapkan rekaman dengan materi ucapan tetap utuh. Pembuat mencantumkan masukan WAV, MP3, dan FLAC. Simpan audio asli untuk membandingkan kata, nama, dan angka yang tidak pasti dengan teks yang dikenali. Rekaman dapat mengandung kebisingan latar atau kualitas mikrofon yang bervariasi, dan model dirancang untuk menanganinya, tetapi peninjauan tetap perlu berfokus pada bagian yang tidak jelas atau tumpang tindih. Untuk wawancara, pertahankan urutan giliran bicara dan jeda, jangan menghapus konteks yang membantu menafsirkan respons.

Deteksi bahasa otomatis berguna ketika bahasa belum diketahui sebelumnya. Kumpulan 60 bahasa yang didokumentasikan mencakup Inggris, Rusia, Mandarin, Jepang, Korea, Arab, Prancis, Jerman, Spanyol, Indonesia, Melayu, Thai, dan Vietnam. Peralihan bahasa mencakup perubahan alami antarbahasa, termasuk pasangan campuran seperti Hinglish atau Spanglish. Antarmuka pembuat juga menerima satu petunjuk bahasa, yang dideskripsikan sebagai instruksi kuat. Gunakan hanya ketika rekaman benar-benar dalam bahasa yang ditentukan, bukan memaksakan percakapan multibahasa ke satu bahasa yang diharapkan.

Pembiasan kata kunci menyediakan istilah khusus domain, singkatan, nama produk, dan nama diri yang mungkin sulit dibedakan dari bunyinya. Siapkan daftar terfokus yang terkait rekaman, seperti nama proyek, lini produk, atau kata teknis dalam pembahasan. Panduan layanan mendeskripsikannya sebagai petunjuk pengenalan, bukan kecocokan yang dipaksakan. Untuk kuliah teknis, sertakan ejaan persis instrumen bernama dan istilah khusus, lalu periksa apakah transkrip menempatkannya pada lokasi ketika kata itu benar-benar diucapkan. Istilah yang diberikan bukan bukti bahwa pembicara mengucapkannya.

Pilih gaya keluaran berdasarkan artefak yang dituju. Verbatim, bawaan yang didokumentasikan, mempertahankan kata pengisi, awal ucapan yang terhenti, dan koreksi diri. Clean menghapus ketidaklancaran agar transkrip lebih mudah dibaca. Catatan untuk memeriksa jalannya percakapan dapat mempertahankan keraguan dan koreksi; transkrip pelajaran yang mudah dibaca dapat menggunakan susunan kata yang dirapikan. Simpan audio asli bersama hasil mana pun. Perapian meningkatkan penyajian teks ucapan dan tidak boleh dianggap sebagai ringkasan terpisah atau interpretasi baru atas maksud pembicara.

Diarisasi pembicara memisahkan giliran berdasarkan pembicara yang dideteksi, dan stempel waktu tingkat kata menyediakan offset serta durasi untuk setiap kata. Antarmuka layanan juga menawarkan informasi waktu segmen atau tanpa informasi waktu. Segmen dibagi berdasarkan bahasa dan, ketika diarisasi diaktifkan, berdasarkan pembicara. Kolom waktu menggunakan milidetik dan dapat mendukung navigasi, pencarian, serta penyuntingan. Label membedakan pembicara yang dideteksi; mencocokkan label dengan nama peserta merupakan langkah peninjauan terpisah. Untuk takarir, gunakan waktu kata yang telah diperiksa untuk menyiapkan kelompok potongan yang terbaca, jangan berasumsi hasil pengenalan sudah merupakan berkas takarir siap pakai.

Kartu model mencantumkan ukuran berkas maksimum 300 MB dan dua jam. Referensi REST sinkron yang ditautkan untuk antarmuka 2025-10-15 yang didokumentasikan justru mensyaratkan berkas lebih kecil dari 250 MB dan lebih pendek dari dua jam. Ini adalah batas terbitan kartu model dan layanan yang berbeda; siapkan berkas dalam batas layanan yang berlaku. Panduan MAI juga menyatakan diarisasi mendukung rekaman yang lebih pendek dibanding transkripsi tanpa diarisasi. Tata materi panjang dengan beberapa pembicara menjadi bagian yang utuh secara makna ketika atribusi pembicara diperlukan, dan pertahankan posisi bagian tersebut dalam rekaman asli untuk peninjauan berikutnya.

Keluaran yang didokumentasikan berupa data transkripsi terstruktur: teks lengkap, frasa, serta informasi pembicara dan waktu jika diminta. Frasa dapat memuat teks, bahasa, offset, dan durasi; informasi waktu kata dapat menghubungkan kata yang dikenali dengan audio. Untuk arsip yang dapat dicari, pertahankan hubungan tersebut agar istilah yang ditemukan dapat mengarah kembali ke rekaman. Untuk alur kerja rapat, transkrip terperiksa menjadi masukan bagi peringkasan atau ekstraksi butir tindakan berikutnya. Hasil model ucapan adalah isi yang dikenali, bukan catatan keputusan rapat yang diverifikasi secara independen.

Perbedaan versinya konkret. MAI-Transcribe 1.5 mencakup 43 bahasa, sedangkan edisi ini mencakup 60 dan menambahkan diarisasi, stempel waktu kata, serta kontrol clean/verbatim yang didokumentasikan. MAI-Transcribe 2 Streaming adalah model terpisah untuk transkripsi bertahap waktu nyata dengan kumpulan fitur sendiri; latensi hasil parsial pertamanya tidak menggambarkan edisi audio rekaman ini. Periksa transkrip terhadap audio untuk nama, angka, giliran pembicara, dan bagian campuran bahasa sebelum menggunakannya sebagai sumber takarir, kutipan, atau dokumen turunan.