Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 ialah model pertuturan kepada teks untuk menukar audio rakaman kepada kandungan bertulis. Kad model tepatnya menerangkan pengecaman merentas 43 bahasa, pengenalpastian bahasa automatik dan keteguhan merentas loghat, dialek, gaya pertuturan serta keadaan bising. Edisi ini memperluas set 25 bahasa MAI-Transcribe 1 dengan lapan belas bahasa. Hasil yang berguna ialah pertuturan bertulis daripada kuliah, temu bual, panggilan atau nota suara, sedia untuk disemak berdasarkan rakaman sebelum langkah penyuntingan atau analisis kemudian.

Sediakan rakaman lengkap dan boleh difahami dalam salah satu format yang disenaraikan pembuat: WAV, MP3 atau FLAC. Simpan fail asal dan sebarang pembahagian kepada bahagian supaya transkrip boleh dibandingkan dengan audio. Untuk kuliah, kekalkan frasa di sekitar istilah teknikal, bukannya mengekstrak hanya perkataan sukar. Untuk nota suara, kekalkan pembetulan yang mengubah nama, masa atau angka. Pertuturan sekeliling memberikan konteks untuk mengenal pasti perkara yang dikatakan, dan semakan pendengar boleh mengenal pasti tempat output memerlukan pembetulan.

Pengenalpastian bahasa automatik membolehkan rakaman diproses tanpa memerlukan pilihan bahasa terlebih dahulu. Set 43 bahasa merangkumi bahasa Inggeris, Perancis, Jerman, Itali, Sepanyol, Hindi, Cina, Jepun, Korea, Arab, Indonesia, Rusia, Thai dan Vietnam. Bahasa tambahan merangkumi Bulgaria, Catalan, Yunani, Ukraine dan beberapa bahasa Asia Selatan. Semak bahawa bahasa sasaran tergolong dalam set edisi ini, bukannya meminjam liputan MAI-Transcribe 2 yang lebih luas. Untuk koleksi berbilang bahasa, kekalkan bahasa rakaman bersama teks yang disemak supaya penyuntingan hiliran mengikuti kandungan pertuturan sebenar.

Kad model 1.5 menerangkan kecenderungan kata kunci atau entiti dengan sehingga 200 istilah, dan keluarannya menerangkan tujuan: menyediakan nama, akronim dan perkataan khusus yang mungkin muncul sebagai konteks. Pembuat menerangkan petunjuk kontekstual, bukannya memaksa perkataan yang dibekalkan ke dalam hasil secara membuta tuli. Sediakan kosa kata berkaitan, seperti nama projek, instrumen teknikal atau ejaan betul orang yang dibincangkan dalam rakaman. Gunakan istilah itu sebagai konteks bagi rakaman sebenar, dan semak istilah yang dikenal pasti berdasarkan pertuturan.

Untuk pelajaran kejuruteraan yang dirakam, sediakan nama instrumen yang dibincangkan dan ejaan tepat sebarang akronim projek. Tulis ejaan tepatnya dalam senarai istilah terfokus dan simpan senarai bersama audio serta transkrip. Semak kemunculan istilah itu berdasarkan petikan pertuturan, bukannya menganggap entri kosa kata sebagai bukti padanan. Nama yang berbunyi serupa masih boleh memerlukan semakan. Hasil patut mengekalkan perkataan yang benar-benar dituturkan, termasuk pembetulan atau penjelasan bersyarat yang mengubah maknanya.

Pengeluar menekankan prestasi pada audio dunia sebenar, termasuk hingar latar dan keadaan mikrofon yang pelbagai. Semakan praktikal boleh menumpukan petikan dengan pertuturan serentak, suara perlahan atau perkataan yang sebahagiannya dilitupi bunyi lain. Kaitkan ketidakpastian dengan petikan audio yang sepadan, bukannya mengisinya daripada andaian tentang topik. Ayat yang munasabah masih mungkin mengandungi nama khas atau angka yang salah. Untuk transkrip panggilan, hasil yang berguna ialah rekod kandungan pertuturan yang disemak untuk digunakan oleh analisis kemudian, bukannya gambaran tekaan tentang niat pemanggil.

Kad model 1.5 yang tepat menyenaraikan saiz fail maksimum 300 MB dan dua jam. Rujukan REST transkripsi segerak yang dipautkannya menerangkan input penyajian yang lebih ketat: lebih kecil daripada 250 MB dan lebih pendek daripada dua jam. Ini ialah had kad model dan antara muka yang dinyatakan secara berasingan. Sediakan fail dalam peruntukan antara muka yang dimaksudkan dan susun bahan lebih panjang pada sempadan rakaman yang bermakna. Had saiz fail berkaitan audio yang dikodkan, manakala had tempoh berkaitan panjang rakaman pertuturan; kedua-duanya tidak mentakrifkan tetingkap konteks model teks.

Contoh output kad model ialah JSON yang mengandungi tempoh rakaman dan gabungan teks yang dikenal pasti. Teks boleh menjadi transkrip yang mudah diakses, skrip sari kata atau input untuk peringkasan serta carian kemudian. Pengumpulan isyarat sari kata dan penjajaran dengan rakaman ialah penyediaan berasingan apabila hasil tidak menyertakan data pemasaan yang diperlukan. Untuk rekod temu bual, mengaitkan baris dengan peserta bernama memerlukan rekod berasingan yang telah disemak tentang orang yang bercakap. Kekalkan susunan kata yang dikenal pasti dan audio sebagai asas artifak kemudian itu.

Sempadan edisi penting apabila merancang output. Kad 1.5 secara jelas meletakkan diarisasi penutur di luar keupayaan yang disokongnya, dan perbandingan versi pembuat menetapkan cap masa peringkat perkataan serta kawalan gaya clean/verbatim kepada MAI-Transcribe 2. Model penstriman natif juga ialah edisi berasingan. Oleh itu, varian 1.5 ini berpusat pada teks yang dikenal pasti daripada rakaman dan konteks domainnya yang didokumenkan, tanpa menjadikan ciri penutur, pemasaan atau input langsung edisi lain sebahagian daripada hasil. Semak nama, angka, istilah teknikal dan pertuturan yang tidak jelas sebelum menyediakan petikan kata-kata, trek sari kata atau dokumen terbitan.