Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5は、録音音声を文章に変換する音声認識モデルです。対象のモデルカードは、43言語の認識、自動言語識別、アクセント、方言、話し方、雑音に対する頑健性を説明しています。MAI-Transcribe 1の25言語に18言語を加えた版です。有用な成果物は、講義、インタビュー、通話、音声メモの発話を文章化したもので、後の編集や分析の前に録音と照合できます。

メーカーが挙げるWAV、MP3、FLACのいずれかで、全体が聞き取れる録音を用意します。文字起こしと音声を比べられるよう、元のファイルと区間の分け方を保持します。講義では難しい語だけを抜かず、専門語の前後のフレーズを残します。音声メモでは、名前、時刻、数値を変える訂正を保持します。周辺の発話が認識の文脈を与え、聞き手の確認によって訂正箇所を見つけられます。

自動言語識別により、事前に言語を選ばず録音を処理できます。43言語には、英語、フランス語、ドイツ語、イタリア語、スペイン語、ヒンディー語、中国語、日本語、韓国語、アラビア語、インドネシア語、ロシア語、タイ語、ベトナム語があります。追加された言語には、ブルガリア語、カタルーニャ語、ギリシャ語、ウクライナ語、複数の南アジア言語があります。MAI-Transcribe 2の広い対応範囲を借りず、対象言語がこの版に含まれるか確認します。多言語資料集合では、後段の編集が実際の発話に従うよう、確認済みの文章と録音の言語を保持します。

1.5のカードは、最大200語のキーワード・エンティティ認識支援を説明しています。リリースが示す目的は、想定される名前、略語、専門語を文脈として利用可能にすることです。メーカーは、指定語を無条件に結果へ押し込むのではなく、文脈のヒントと説明しています。プロジェクト名、技術機器、録音で話題となる人物の正しい綴りなど、関連語彙を用意します。実際の録音の文脈として使い、認識した語を発話と照合してください。

工学の授業の録音では、扱う機器名とプロジェクト略語の正確な綴りを用意します。対象を絞った用語リストに記載し、音声と文字起こしに添えます。語彙の項目を一致の証拠とみなさず、現れる箇所を実際の発話と照合します。似た音の名前にはなお確認が必要です。意味を変える訂正や条件を含め、実際に話された言葉を結果に残す必要があります。

メーカーは、背景雑音やさまざまなマイク条件を含む実環境音声での性能を重視しています。確認では、同時発話、小さい声、別の音に一部隠れた語に注目できます。話題から推測して埋めず、不確かさを対応する音声箇所に結び付けます。自然な文でも固有名詞や数値が誤っている場合があります。通話の有用な成果物は、話者の意図を推測した説明ではなく、後の分析で使える確認済みの発話記録です。

対象の1.5のカードは最大ファイルサイズ300 MB、長さ2時間を示しています。リンク先の同期文字起こしRESTリファレンスは、より厳しい配信入力として250 MB未満、2時間未満を示します。モデルカードとインターフェースに別々に記載された上限です。利用するインターフェースの枠内にファイルを用意し、長い資料は意味のある録音の境界で整理します。ファイルサイズは符号化された音声、長さは録音時間の制限であり、どちらもテキストモデルのコンテキスト枠を定義しません。

モデルカードの出力例は、録音時間と結合した認識テキストを含むJSONです。テキストは、利用しやすい文字起こし、字幕用の原稿、後の要約や検索の入力になります。必要な時刻データがない場合、字幕キューのグループ化と録音への時間合わせは別の準備です。インタビューで名前付きの参加者にセリフを割り当てるには、誰が話したかの別の確認記録が必要です。後の成果物の基礎として、認識した文面と音声を保持します。

出力計画では、この版の境界が重要です。1.5のカードは話者分離を対応範囲外と明示し、メーカーの版比較は単語タイムスタンプとclean/verbatim制御をMAI-Transcribe 2に割り当てています。ネイティブのストリーミングモデルも別版です。そのため1.5は、他版の話者、時刻、ライブ入力の機能を結果に含めず、録音の認識テキストと記載された分野の文脈を中心に使います。引用、字幕トラック、派生文書を用意する前に、名前、数値、専門語、不明瞭な発話を確認してください。