Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 er tale-til-tekst-utgaven for innspilt lyd i Microsofts andre generasjon av transkripsjonsfamilien. Den gjør taleinnhold om til skriftlig tekst på 60 språk, med automatisk språkidentifikasjon og støtte for tale som veksler mellom språk. Modellen legger til talerdiarisering, tidsfesting på ordnivå og valgbare transkripsjonsstiler. Nyttige leveranser omfatter en møtetranskripsjon med talertilordning, et søkbart intervjuarkiv, data for tidsjustering av undertekster eller kontrollert diktering med fagterminologi.

Forbered opptaket med taleinnholdet intakt. Produsenten oppgir WAV, MP3 og FLAC som inndata. Behold originallyden for å sammenligne usikre ord, navn og tall med den gjenkjente teksten. Et opptak kan ha bakgrunnsstøy eller varierende mikrofonkvalitet, noe modellen er laget for å håndtere, men gjennomgangen bør fortsatt konsentreres om uklare eller overlappende passasjer. Ved et intervju beholder du rekkefølgen på replikker og pauser fremfor å fjerne konteksten som hjelper med å tolke et svar.

Automatisk språkgjenkjenning er nyttig når språket ikke er kjent på forhånd. Det dokumenterte settet på 60 språk omfatter engelsk, russisk, kinesisk, japansk, koreansk, arabisk, fransk, tysk, spansk, indonesisk, malayisk, thai og vietnamesisk. Språkveksling dekker naturlige skifter mellom språk, inkludert blandede par som Hinglish eller Spanglish. Produsentens grensesnitt godtar også ett enkelt språkhint, som beskrives som en sterk instruksjon. Bruk dette bare når opptaket faktisk er på det angitte språket, fremfor å tvinge en flerspråklig samtale inn i ett forventet språk.

Nøkkelordshjelp oppgir domenespesifikke begreper, forkortelser, produktnavn og egennavn som ellers kan være vanskelige å skille ut fra lyden. Forbered en målrettet liste knyttet til opptaket, for eksempel prosjektnavnet, en produktserie eller fagord som brukes i diskusjonen. Driftsveiledningen beskriver disse som gjenkjenningshint fremfor tvungne treff. Ved en teknisk forelesning inkluderer du nøyaktig skrivemåte for navngitte instrumenter og faguttrykk og kontrollerer deretter om transkripsjonen plasserer dem der de faktisk ble sagt. Et oppgitt begrep er ikke bevis på at taleren sa det.

Velg utdatastilen etter den tiltenkte leveransen. Verbatim, den dokumenterte standarden, beholder fyllord, falske starter og selvkorrigeringer. Clean fjerner talebrudd for en mer lesbar transkripsjon. En tekst som skal brukes til å undersøke hvordan en samtale utviklet seg, kan bevare nøling og rettelser; en lesbar leksjonstranskripsjon kan bruke renset ordlyd. Hold originallyden sammen med begge typer resultat. Rensing forbedrer presentasjonen av taleteksten og skal ikke behandles som et separat sammendrag eller en ny tolkning av hva taleren mente.

Talerdiarisering skiller replikker etter gjenkjent taler, og tidsstempler på ordnivå gir en forskyvning og varighet for hvert ord. Driftsgrensesnittet tilbyr også segmenttidsfesting eller ingen tidsfesting. Segmenter deles etter språk og, når diarisering er aktivert, etter taler. Tidsfeltene bruker millisekunder og kan støtte navigasjon, søk og redigering. Etikettene skiller gjenkjente talere; kobling av en etikett til en deltakers navn er et separat kontrolltrinn. Ved undertekster bruker du kontrollerte ordtider til å forberede lesbare undertekstgrupper fremfor å anta at gjenkjenningsresultatet allerede er en ferdig undertekstfil.

Modellkortet oppgir en maksimal filstørrelse på 300 MB og to timer. Den tilknyttede synkrone REST-referansen for det dokumenterte grensesnittet 2025-10-15 krever derimot en fil mindre enn 250 MB og kortere enn to timer. Dette er separate publiserte begrensninger i modellkortet og driftsgrensesnittet; forbered en fil innenfor den gjeldende driftsrammen. MAI-veiledningen sier også at diarisering støtter kortere opptak enn transkripsjon uten diarisering. Organiser langt materiale med flere talere i sammenhengende seksjoner når talertilordning trengs, og behold seksjonens plassering i originalopptaket for senere kontroll.

De dokumenterte utdataene er strukturerte transkripsjonsdata: fulltekst, fraser og, ved forespørsel, taler- og tidsinformasjon. En frase kan inneholde tekst, språk, forskyvning og varighet; ordtidsfesting kan knytte et gjenkjent ord til lyden. Ved et søkbart arkiv bevarer du relasjonene slik at et funnet begrep kan lede tilbake til opptaket. Ved en møteflyt blir en kontrollert transkripsjon inndata for senere oppsummering eller uttrekking av handlingspunkter. Talemodellens resultat er det gjenkjente innholdet, ikke en uavhengig verifisert fremstilling av møtets beslutninger.

Versjonsforskjellen er konkret. MAI-Transcribe 1.5 dekker 43 språk, mens denne utgaven dekker 60 og legger til dokumentert diarisering, tidsstempler for ord og innstillinger for Clean/Verbatim. MAI-Transcribe 2 Streaming er en separat modell for fortløpende transkripsjon i sanntid med eget funksjonssett; forsinkelsen til første delresultat beskriver ikke denne utgaven for innspilt lyd. Kontroller transkripsjonen mot lyden for navn, tall, talerskifter og passasjer med blandede språk før den brukes som kilde til undertekster, sitater eller et avledet dokument.