Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 er en tale-til-tekst-modell for å gjøre innspilt lyd om til skriftlig innhold. Det konkrete modellkortet beskriver gjenkjenning på 43 språk, automatisk språkidentifikasjon og robusthet på tvers av aksenter, dialekter, talemåter og støyende forhold. Utgaven utvider settet på 25 språk fra MAI-Transcribe 1 med atten språk. Et nyttig resultat er skriftlig tale fra en forelesning, et intervju, en samtale eller et talenotat, klar til kontroll mot opptaket før et senere redigerings- eller analysetrinn.

Forbered et fullstendig, forståelig opptak i ett av produsentens oppgitte formater: WAV, MP3 eller FLAC. Behold originalfilen og eventuell seksjonsinndeling slik at transkripsjonen kan sammenlignes med lyden. Ved en forelesning beholder du frasene rundt et faguttrykk fremfor bare å trekke ut det vanskelige ordet. Ved et talenotat bevarer du en rettelse som endrer et navn, tidspunkt eller tall. Talen rundt gir kontekst for å gjenkjenne hva som ble sagt, og lytterens gjennomgang kan identifisere hvor utdataene trenger retting.

Automatisk språkidentifikasjon lar et opptak behandles uten at et språk må velges på forhånd. Settet på 43 språk omfatter engelsk, fransk, tysk, italiensk, spansk, hindi, kinesisk, japansk, koreansk, arabisk, indonesisk, russisk, thai og vietnamesisk. De tilførte språkene omfatter bulgarsk, katalansk, gresk, ukrainsk og flere sørasiatiske språk. Kontroller at ønsket språk tilhører denne utgavens sett fremfor å låne den bredere dekningen fra MAI-Transcribe 2. Ved flerspråklige samlinger bevarer du opptakets språk sammen med den kontrollerte teksten, slik at etterfølgende redigering følger det faktiske taleinnholdet.

Modellkortet for 1.5 beskriver nøkkelords- eller entitetshjelp med opptil 200 begreper, og utgivelsen forklarer formålet: å gjøre sannsynlige navn, akronymer og fagord tilgjengelige som kontekst. Produsenten beskriver kontekstuelle hint fremfor å tvinge oppgitte ord blindt inn i resultatet. Forbered et relevant ordforråd, for eksempel prosjektnavnet, et teknisk instrument eller korrekt skrivemåte for en person som diskuteres i opptaket. Bruk terminologien som kontekst for det faktiske opptaket, og kontroller de gjenkjente begrepene mot talen.

Ved en innspilt ingeniørfaglig leksjon forbereder du navnene på instrumentene som diskuteres, og nøyaktig skrivemåte for eventuelle prosjektakronymer. Skriv de nøyaktige stavemåtene i en målrettet terminologiliste og behold listen sammen med lyd og transkripsjon. Kontroller forekomstene mot talepassasjene fremfor å behandle en ordlisteoppføring som bevis på et treff. Navn som høres like ut, kan fortsatt trenge kontroll. Resultatet bør bevare ordene som faktisk ble sagt, inkludert en rettelse eller presisering som endrer betydningen.

Produsenten vektlegger ytelse på lyd fra virkelige situasjoner, inkludert bakgrunnsstøy og ulike mikrofonforhold. Praktisk gjennomgang kan rette seg mot passasjer med samtidig tale, svake stemmer eller ord delvis dekket av en annen lyd. Hold usikkerheter knyttet til den tilsvarende lydpassasjen fremfor å fylle dem med antakelser om temaet. En plausibel setning kan fortsatt inneholde feil egennavn eller tall. Ved en samtaletranskripsjon er den nyttige leveransen en kontrollert gjengivelse av taleinnholdet som en senere analyse kan bruke, fremfor en gjettet fremstilling av innringerens hensikt.

Det konkrete modellkortet for 1.5 oppgir en maksimal filstørrelse på 300 MB og to timer. Den tilknyttede synkrone REST-referansen for transkripsjon beskriver strengere driftsinndata: mindre enn 250 MB og kortere enn to timer. Dette er separat angitte grenser i modellkort og grensesnitt. Forbered filer innenfor rammen til det tiltenkte grensesnittet og organiser lengre materiale ved meningsfulle grenser i opptaket. Filstørrelsesgrensen gjelder den kodede lyden, mens varighetsgrensen gjelder taleopptakets lengde; ingen av dem definerer et tekstmodellkontekstvindu.

Modellkortets eksempelutdata er JSON som inneholder opptakets varighet og samlet gjenkjent tekst. Teksten kan bli en tilgjengelig transkripsjon, et manus for undertekster eller inndata for senere oppsummering og søk. Gruppering av undertekstblokker og tidsjustering mot opptaket er separat forberedelse når resultatet ikke inneholder nødvendige tidsdata. Ved intervjuarkiver krever tilordning av en replikk til en navngitt deltaker en separat kontrollert oversikt over hvem som snakket. Bevar den gjenkjente ordlyden og lyden som grunnlag for disse senere leveransene.

Utgavens grenser er viktige når utdataene planlegges. Modellkortet for 1.5 plasserer uttrykkelig talerdiarisering utenfor de støttede egenskapene, og produsentens versjonssammenligning tilordner tidsstempler på ordnivå og stilinnstillinger for Clean/Verbatim til MAI-Transcribe 2. En innebygd strømmemodell er også en separat utgave. Denne 1.5-varianten retter seg derfor mot gjenkjent tekst fra opptak og dokumentert domenekontekst, uten å gjøre en annen utgaves taler-, tids- eller sanntidsfunksjoner til del av resultatet. Kontroller navn, tall, faguttrykk og uklar tale før du lager et sitert utdrag, et undertekstspor eller et avledet dokument.