Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 ialah edisi pertuturan kepada teks untuk audio rakaman dalam keluarga transkripsi generasi kedua Microsoft. Ia menukar kandungan pertuturan kepada teks bertulis merentas 60 bahasa, dengan pengenalpastian bahasa automatik dan sokongan pertuturan yang bertukar-tukar bahasa. Model menambah diarisasi penutur, pemasaan peringkat perkataan dan gaya transkripsi yang boleh dipilih. Artifak yang berguna merangkumi transkrip mesyuarat dengan pengaitan penutur, rekod temu bual yang boleh dicari, data penjajaran sari kata atau imlak disemak yang mengandungi istilah khusus.

Sediakan rakaman dengan bahan pertuturan dikekalkan utuh. Pembuat menyenaraikan input WAV, MP3 dan FLAC. Pastikan audio asal tersedia untuk membandingkan perkataan, nama dan angka yang tidak pasti dengan teks yang dikenal pasti. Rakaman boleh mengandungi hingar latar atau mutu mikrofon yang berubah-ubah, yang direka untuk dikendalikan model, tetapi semakan masih patut menumpukan petikan yang tidak jelas atau bertindih. Untuk temu bual, kekalkan urutan giliran dan jeda, bukannya membuang konteks yang membantu mentafsir respons.

Pengesanan bahasa automatik berguna apabila bahasa tidak diketahui terlebih dahulu. Set 60 bahasa yang didokumenkan merangkumi bahasa Inggeris, Rusia, Cina, Jepun, Korea, Arab, Perancis, Jerman, Sepanyol, Indonesia, Melayu, Thai dan Vietnam. Pertukaran kod bahasa meliputi perubahan semula jadi antara bahasa, termasuk pasangan campuran seperti Hinglish atau Spanglish. Antara muka pembuat turut menerima satu petunjuk bahasa, yang diterangkannya sebagai arahan kuat. Gunakannya hanya apabila rakaman benar-benar dalam bahasa yang dinyatakan, bukannya memaksa perbualan berbilang bahasa ke dalam satu bahasa jangkaan.

Kecenderungan kata kunci membekalkan istilah khusus domain, singkatan, nama produk dan nama khas yang mungkin sukar dibezakan daripada bunyinya. Sediakan senarai terfokus yang berkaitan dengan rakaman, seperti nama projek, barisan produk atau perkataan teknikal yang digunakan dalam perbincangan. Panduan penyajian menerangkannya sebagai petunjuk pengecaman, bukannya padanan paksa. Untuk kuliah teknikal, sertakan ejaan tepat instrumen bernama dan istilah khusus, kemudian semak sama ada transkrip meletakkannya pada tempat ia benar-benar dituturkan. Istilah yang dibekalkan bukan bukti bahawa penutur menyebutnya.

Pilih gaya output berdasarkan artifak yang dimaksudkan. Verbatim, pilihan lalai yang didokumenkan, mengekalkan kata pengisi, permulaan yang terbatal dan pembetulan kendiri. Clean membuang ketidaklancaran untuk transkrip yang lebih mudah dibaca. Rekod yang digunakan untuk memeriksa perkembangan perbualan boleh mengekalkan keraguan dan pembetulan; transkrip pelajaran yang mudah dibaca boleh menggunakan susunan kata yang dibersihkan. Simpan audio asal bersama mana-mana hasil. Pembersihan menambah baik penyampaian teks pertuturan dan tidak patut dianggap sebagai ringkasan berasingan atau tafsiran baharu tentang maksud penutur.

Diarisasi penutur memisahkan giliran mengikut penutur yang dikesan, dan cap masa peringkat perkataan membekalkan ofset serta tempoh bagi setiap perkataan. Antara muka penyajian turut menawarkan pemasaan segmen atau tanpa pemasaan. Segmen dibahagikan mengikut bahasa dan, apabila diarisasi diaktifkan, mengikut penutur. Medan pemasaan menggunakan milisaat dan boleh menyokong navigasi, carian serta penyuntingan. Label membezakan penutur yang dikesan; memadankan label dengan nama peserta ialah langkah semakan berasingan. Untuk sari kata, gunakan pemasaan perkataan yang disemak untuk menyediakan kumpulan isyarat yang boleh dibaca, bukannya menganggap hasil pengecaman sudah merupakan fail sari kata siap.

Kad model menyenaraikan saiz fail maksimum 300 MB dan dua jam. Sebaliknya, rujukan REST segerak yang dipautkan untuk antara muka 2025-10-15 yang didokumenkan memerlukan fail lebih kecil daripada 250 MB dan lebih pendek daripada dua jam. Ini ialah kekangan kad model dan penyajian terbitan yang berbeza; sediakan fail dalam peruntukan penyajian yang berkenaan. Panduan MAI turut menyatakan diarisasi menyokong rakaman lebih pendek berbanding transkripsi tanpa diarisasi. Susun bahan panjang berbilang penutur kepada bahagian yang koheren apabila pengaitan penutur diperlukan, dan kekalkan kedudukan bahagian dalam rakaman asal untuk semakan kemudian.

Output yang didokumenkan ialah data transkripsi berstruktur: teks penuh, frasa dan, apabila diminta, maklumat penutur serta pemasaan. Frasa boleh membawa teks, bahasa, ofset dan tempohnya; pemasaan perkataan boleh menghubungkan perkataan yang dikenal pasti dengan audio. Untuk arkib yang boleh dicari, kekalkan hubungan itu supaya istilah yang ditemui boleh membawa kembali kepada rakaman. Untuk aliran kerja mesyuarat, transkrip yang disemak menjadi input kepada peringkasan atau pengekstrakan tindakan susulan kemudian. Hasil model pertuturan ialah kandungan yang dikenal pasti, bukannya rekod keputusan mesyuarat yang disahkan secara bebas.

Perbezaan versi adalah konkrit. MAI-Transcribe 1.5 meliputi 43 bahasa, manakala edisi ini meliputi 60 dan menambah kawalan diarisasi, cap masa perkataan serta clean/verbatim yang didokumenkan. MAI-Transcribe 2 Streaming ialah model berasingan untuk transkripsi masa nyata beransur-ansur dengan set cirinya sendiri; kependaman hasil separa pertamanya tidak menerangkan edisi audio rakaman ini. Semak transkrip berdasarkan audio untuk nama, angka, giliran penutur dan petikan bahasa campuran sebelum menggunakannya sebagai sumber sari kata, petikan kata-kata atau dokumen terbitan.