Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 é um modelo de conversão de voz em texto para transformar áudio gravado em conteúdo escrito. A sua ficha exata descreve reconhecimento em 43 idiomas, identificação automática do idioma e robustez perante sotaques, dialetos, estilos de fala e condições de ruído. A edição alarga o conjunto de 25 idiomas de MAI-Transcribe 1 com dezoito idiomas adicionais. Um resultado útil é a fala escrita de uma aula, entrevista, chamada ou nota de voz, pronta a conferir com a gravação antes de uma etapa posterior de edição ou análise.

Prepare uma gravação completa e inteligível num dos formatos indicados pelo fabricante: WAV, MP3 ou FLAC. Mantenha o ficheiro original e qualquer divisão em secções para permitir comparar a transcrição com o áudio. Para uma aula, preserve as frases à volta de um termo técnico, em vez de extrair apenas a palavra difícil. Para uma nota de voz, preserve uma correção que altere um nome, uma hora ou um número. A fala envolvente fornece contexto para reconhecer o que foi dito e a revisão de quem escuta permite identificar onde a saída necessita de correção.

A identificação automática do idioma permite processar uma gravação sem exigir uma escolha antecipada de idioma. O conjunto de 43 idiomas inclui inglês, francês, alemão, italiano, espanhol, hindi, chinês, japonês, coreano, árabe, indonésio, russo, tailandês e vietnamita. Os idiomas acrescentados incluem búlgaro, catalão, grego, ucraniano e vários idiomas do sul da Ásia. Verifique se o idioma pretendido pertence ao conjunto desta edição, em vez de importar a cobertura mais ampla de MAI-Transcribe 2. Para coleções multilingues, preserve o idioma da gravação junto do texto revisto, para que a edição posterior respeite o conteúdo efetivamente falado.

A ficha de MAI-Transcribe 1.5 descreve favorecimento de palavras-chave ou entidades com até 200 termos e a sua apresentação explica a finalidade: disponibilizar como contexto nomes, siglas e palavras especializadas prováveis. O fabricante descreve indicações contextuais, em vez de impor cegamente palavras fornecidas ao resultado. Prepare vocabulário relevante, como o nome do projeto, um instrumento técnico ou a grafia correta do nome de uma pessoa mencionada na gravação. Utilize essa terminologia como contexto para a gravação efetiva e confira os termos reconhecidos com a fala.

Para uma aula de engenharia gravada, prepare os nomes dos instrumentos discutidos e a grafia exata de qualquer sigla de projeto. Escreva as grafias exatas numa lista de terminologia focada e mantenha a lista junto do áudio e da transcrição. Confira essas ocorrências com as passagens faladas, em vez de tratar uma entrada de vocabulário como prova de correspondência. Nomes que soam de forma semelhante podem continuar a exigir verificação. O resultado deve preservar as palavras efetivamente pronunciadas, incluindo uma correção ou ressalva que altere o seu significado.

O fabricante destaca o desempenho em áudio do mundo real, incluindo ruído de fundo e condições diversas de microfones. A revisão prática pode concentrar-se em passagens com fala simultânea, vozes fracas ou palavras parcialmente encobertas por outro som. Mantenha as incertezas ligadas à passagem de áudio correspondente, em vez de as preencher com pressupostos sobre o tema. Uma frase plausível pode continuar a conter o nome próprio ou número errado. Para uma transcrição de chamada, o resultado útil é um registo conferido do conteúdo falado que uma análise posterior possa utilizar, em vez de um relato adivinhado da intenção de quem ligou.

A ficha exata de MAI-Transcribe 1.5 indica um tamanho máximo de ficheiro de 300 MB e uma duração máxima de duas horas. A referência REST síncrona de transcrição associada descreve uma entrada de serviço mais restrita: inferior a 250 MB e com menos de duas horas. Estes são limites indicados separadamente na ficha do modelo e na interface. Prepare ficheiros dentro do limite da interface pretendida e organize material mais longo em divisões significativas da gravação. Um limite de tamanho de ficheiro diz respeito ao áudio codificado, enquanto o limite de duração diz respeito ao comprimento da gravação de voz; nenhum define uma janela de contexto de modelo de texto.

O exemplo de saída da ficha é JSON que contém a duração da gravação e o texto reconhecido combinado. O texto pode tornar-se uma transcrição acessível, um guião para legendas ou uma entrada para resumo e pesquisa posteriores. O agrupamento de legendas e o alinhamento com a gravação são preparações separadas quando o resultado não inclui os dados de temporização necessários. Para registos de entrevistas, atribuir uma fala a um participante identificado exige um registo separado e conferido de quem falou. Preserve a formulação reconhecida e o áudio como base para esses resultados posteriores.

Os limites da edição são importantes ao planear a saída. A ficha 1.5 coloca explicitamente a diarização de intervenientes fora das capacidades suportadas e a comparação de versões do fabricante atribui marcas temporais ao nível da palavra e controlos de estilo clean/verbatim a MAI-Transcribe 2. Um modelo nativo de transmissão em fluxo é também uma edição separada. Assim, este perfil 1.5 centra-se em texto reconhecido de gravações e no seu contexto de domínio documentado, sem transformar funcionalidades de intervenientes, temporização ou entrada em direto de outra edição em parte do resultado. Reveja nomes, números, termos técnicos e fala pouco clara antes de preparar uma passagem citada, uma faixa de legendas ou um documento derivado.