Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 to model rozpoznawania mowy do zamieniania nagranego dźwięku na treść pisaną. Dokładna karta modelu opisuje rozpoznawanie w 43 językach, automatyczną identyfikację języka i odporność na różne akcenty, dialekty, style mówienia oraz szum. Edycja rozszerza zestaw 25 języków MAI-Transcribe 1 o osiemnaście języków. Użytecznym wynikiem jest zapis mowy z wykładu, wywiadu, rozmowy telefonicznej lub notatki głosowej, gotowy do sprawdzenia względem nagrania przed późniejszą redakcją lub analizą.

Przygotuj kompletne, zrozumiałe nagranie w jednym z formatów wymienionych przez producenta: WAV, MP3 lub FLAC. Zachowuj oryginalny plik i wszelki podział na sekcje, aby transkrypcję można było porównać z audio. Dla wykładu zachowuj frazy wokół terminu technicznego, zamiast wyodrębniać samo trudne słowo. Dla notatki głosowej zachowuj poprawkę zmieniającą nazwę, czas lub liczbę. Otaczająca mowa dostarcza kontekstu do rozpoznania wypowiedzi, a odsłuch kontrolny może wskazać miejsca wymagające poprawy wyniku.

Automatyczna identyfikacja języka pozwala przetwarzać nagranie bez wcześniejszego wyboru języka. Zestaw 43 języków obejmuje angielski, francuski, niemiecki, włoski, hiszpański, hindi, chiński, japoński, koreański, arabski, indonezyjski, rosyjski, tajski i wietnamski. Dodane języki obejmują bułgarski, kataloński, grecki, ukraiński i kilka języków Azji Południowej. Sprawdź, czy zamierzony język należy do zestawu tej edycji, zamiast przypisywać jej szersze pokrycie MAI-Transcribe 2. Dla kolekcji wielojęzycznych zachowuj język nagrania wraz ze sprawdzonym tekstem, aby dalsza redakcja podążała za rzeczywistą treścią mówioną.

Karta modelu 1.5 opisuje wskazówki słów kluczowych lub encji obejmujące do 200 terminów, a wydanie wyjaśnia ich cel: udostępnienie prawdopodobnych nazw, akronimów i słów specjalistycznych jako kontekstu. Producent opisuje wskazówki kontekstowe, a nie ślepe wymuszanie dostarczonych słów w wyniku. Przygotuj odpowiednie słownictwo, takie jak nazwa projektu, przyrząd techniczny lub poprawna pisownia nazwiska osoby omawianej w nagraniu. Używaj tej terminologii jako kontekstu rzeczywistego nagrania i sprawdzaj rozpoznane terminy względem mowy.

Dla nagranej lekcji inżynierii przygotuj nazwy omawianych przyrządów i dokładną pisownię każdego akronimu projektu. Zapisz ich dokładną pisownię na skoncentrowanej liście terminologii i zachowuj listę przy audio i transkrypcji. Sprawdzaj wystąpienia względem wypowiedzianych fragmentów, zamiast traktować pozycję słownika jako dowód dopasowania. Podobnie brzmiące nazwy nadal mogą wymagać kontroli. Wynik powinien zachowywać rzeczywiście wypowiedziane słowa, w tym poprawkę lub doprecyzowanie zmieniające ich znaczenie.

Producent podkreśla jakość na rzeczywistych nagraniach, w tym z szumem tła i różnymi warunkami mikrofonowymi. Praktyczna weryfikacja może skupiać się na fragmentach z jednoczesną mową, cichymi głosami lub słowami częściowo zagłuszonymi innym dźwiękiem. Wiąż niepewności z odpowiednim fragmentem audio, zamiast uzupełniać je założeniami o temacie. Wiarygodnie brzmiące zdanie nadal może zawierać błędną nazwę własną lub liczbę. Dla transkrypcji rozmowy telefonicznej użytecznym rezultatem jest sprawdzony zapis wypowiedzi do późniejszej analizy, a nie odgadnięty opis intencji rozmówcy.

Dokładna karta modelu 1.5 podaje maksymalny rozmiar pliku 300 MB i dwie godziny. Powiązana synchroniczna referencja REST transkrypcji opisuje bardziej restrykcyjne wejście obsługi: mniej niż 250 MB i krócej niż dwie godziny. Są to osobno podane limity karty modelu i interfejsu. Przygotowuj pliki w limitach zamierzonego interfejsu i porządkuj dłuższy materiał według znaczących granic nagrania. Limit rozmiaru pliku dotyczy zakodowanego audio, a limit czasu trwania długości nagrania mowy; żaden nie definiuje okna kontekstu modelu tekstowego.

Przykładowe wyjście karty modelu to JSON zawierający czas trwania nagrania i połączony rozpoznany tekst. Tekst może stać się dostępną transkrypcją, scenariuszem napisów lub wejściem do późniejszego streszczania i wyszukiwania. Grupowanie kwestii napisów i wyrównanie do nagrania wymagają osobnego przygotowania, gdy wynik nie zawiera potrzebnych danych czasowych. Dla zapisów wywiadów przypisanie kwestii do nazwanej osoby wymaga osobnego sprawdzonego zapisu tego, kto mówił. Zachowuj rozpoznane brzmienie i audio jako podstawę tych późniejszych rezultatów.

Granice edycji mają znaczenie przy planowaniu wyjścia. Karta 1.5 wyraźnie wyłącza diaryzację mówców z obsługiwanych możliwości, a porównanie wersji producenta przypisuje znaczniki czasu słów i ustawienia stylu clean/verbatim do MAI-Transcribe 2. Natywny model strumieniowy także jest odrębną edycją. Ten wariant 1.5 skupia się więc na rozpoznanym tekście z nagrań i udokumentowanym kontekście dziedzinowym, bez włączania do wyniku funkcji mówców, czasowania czy wejścia na żywo z innej edycji. Sprawdzaj nazwy, liczby, terminy techniczne i niejasną mowę przed przygotowaniem cytatu, ścieżki napisów lub dokumentu pochodnego.