Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 è l’edizione speech-to-text per audio registrato della famiglia di trascrizione di seconda generazione di Microsoft. Converte contenuti parlati in testo scritto in 60 lingue, con identificazione automatica della lingua e supporto per il parlato che alterna lingue diverse. Il modello aggiunge diarizzazione dei parlanti, temporizzazione a livello di parola e stili di trascrizione selezionabili. Risultati utili comprendono una trascrizione di riunione con attribuzione ai parlanti, un resoconto ricercabile di intervista, dati di allineamento per sottotitoli o dettatura controllata contenente terminologia specialistica.

Prepara la registrazione mantenendo intatto il materiale parlato. Il produttore elenca input WAV, MP3 e FLAC. Mantieni disponibile l’audio originale per confrontare parole, nomi e numeri incerti con il testo riconosciuto. Una registrazione può contenere rumore di fondo o qualità variabile del microfono, condizioni che il modello è progettato per gestire, ma la verifica deve comunque concentrarsi sui passaggi poco chiari o sovrapposti. Per un’intervista, conserva la sequenza dei turni e delle pause, anziché rimuovere il contesto che aiuta a interpretare una risposta.

Il rilevamento automatico della lingua è utile quando la lingua non è nota in anticipo. L’insieme documentato di 60 lingue comprende inglese, russo, cinese, giapponese, coreano, arabo, francese, tedesco, spagnolo, indonesiano, malese, thailandese e vietnamita. L’alternanza linguistica copre cambiamenti naturali tra lingue, comprese combinazioni come Hinglish o Spanglish. L’interfaccia del produttore accetta anche un singolo suggerimento linguistico, descritto come un’istruzione forte. Usalo soltanto quando la registrazione è effettivamente nella lingua specificata, anziché forzare una conversazione multilingue in un’unica lingua attesa.

I suggerimenti lessicali forniscono termini di dominio, abbreviazioni, nomi di prodotti e nomi propri che potrebbero altrimenti essere difficili da distinguere dal suono. Prepara un elenco mirato relativo alla registrazione, come il nome del progetto, una linea di prodotti o parole tecniche usate nella discussione. La guida di erogazione li descrive come suggerimenti per il riconoscimento, anziché corrispondenze forzate. Per una lezione tecnica, includi le grafie esatte degli strumenti denominati e dei termini specialistici, poi controlla se la trascrizione li colloca dove sono stati effettivamente pronunciati. Un termine fornito non è una prova che il parlante lo abbia detto.

Scegli lo stile di output in base al risultato previsto. Verbatim, l’impostazione predefinita documentata, conserva riempitivi, false partenze e autocorrezioni. Clean rimuove le disfluenze per una trascrizione più leggibile. Un resoconto usato per esaminare lo svolgimento di una conversazione può conservare esitazioni e correzioni; una trascrizione leggibile di una lezione può usare la formulazione ripulita. Conserva l’audio originale insieme al risultato, qualunque dei due stili tu scelga. La pulizia migliora la presentazione del testo parlato e non deve essere trattata come un riepilogo separato o una nuova interpretazione di ciò che il parlante intendeva.

La diarizzazione separa i turni per parlante rilevato e i timestamp a livello di parola forniscono un offset e una durata per ogni parola. L’interfaccia di erogazione offre anche temporizzazione per segmenti o nessuna temporizzazione. I segmenti sono divisi per lingua e, quando la diarizzazione è attiva, per parlante. I campi temporali usano millisecondi e possono supportare navigazione, ricerca e montaggio. Le etichette distinguono i parlanti rilevati; associare un’etichetta al nome di un partecipante è un passaggio separato di verifica. Per i sottotitoli, usa tempi delle parole controllati per preparare gruppi di battute leggibili, anziché presumere che il risultato del riconoscimento sia già un file di sottotitoli finito.

La scheda del modello indica una dimensione massima del file di 300 MB e due ore. Il riferimento REST sincrono collegato per l’interfaccia documentata 2025-10-15 richiede invece un file inferiore a 250 MB e più breve di due ore. Si tratta di vincoli pubblicati distinti della scheda del modello e dell’erogazione; prepara un file entro il limite applicabile del servizio. La guida MAI afferma inoltre che la diarizzazione supporta registrazioni più brevi rispetto alla trascrizione senza diarizzazione. Organizza materiale lungo con più parlanti in sezioni coerenti quando serve attribuire il parlato e conserva la posizione della sezione nella registrazione originale per una verifica successiva.

L’output documentato è costituito da dati di trascrizione strutturati: testo completo, frasi e, quando richieste, informazioni sui parlanti e sulla temporizzazione. Una frase può contenere testo, lingua, offset e durata; la temporizzazione delle parole può collegare una parola riconosciuta all’audio. Per un archivio ricercabile, conserva tali relazioni, così un termine trovato potrà ricondurre alla registrazione. Per un flusso di riunione, una trascrizione controllata diventa un input per il successivo riepilogo o per l’estrazione delle azioni da svolgere. Il risultato del modello vocale è il contenuto riconosciuto, anziché un resoconto verificato indipendentemente delle decisioni della riunione.

La distinzione tra versioni è concreta. MAI-Transcribe 1.5 copre 43 lingue, mentre questa edizione ne copre 60 e aggiunge i controlli documentati di diarizzazione, timestamp delle parole e stile clean/verbatim. MAI-Transcribe 2 Streaming è un modello separato per la trascrizione incrementale in tempo reale, con un proprio insieme di funzionalità; la sua latenza del primo risultato parziale non descrive questa edizione per audio registrato. Controlla la trascrizione rispetto all’audio per nomi, numeri, turni dei parlanti e passaggi mistilingue prima di usarla come fonte per sottotitoli, citazioni o un documento derivato.