Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 je izdaja za pretvorbo posnetega zvoka iz govora v besedilo v Microsoftovi drugi generaciji družine za prepisovanje. Govorjeno vsebino pretvarja v pisno besedilo v 60 jezikih s samodejnim prepoznavanjem jezika in podporo govoru, ki prehaja med jeziki. Model dodaja razločevanje govorcev, časovne oznake na ravni besed in izbirne sloge prepisa. Uporabni izdelki vključujejo prepis sestanka s pripisi govorcem, iskljivi zapis intervjuja, podatke za časovno poravnavo podnapisov ali preverjeni narek s strokovno terminologijo.

Posnetek pripravite z nedotaknjenim govorjenim gradivom. Proizvajalec navaja vhod WAV, MP3 in FLAC. Izvirni zvok ohranite na voljo za primerjavo negotovih besed, imen in števil s prepoznanim besedilom. Posnetek lahko vsebuje hrup v ozadju ali odraža spremenljivo kakovost mikrofona. Model je zasnovan za obvladovanje takšnih razmer, vendar naj se pregled še vedno osredotoča na nejasne ali prekrivajoče se odlomke. Pri intervjuju ohranite zaporedje replik in premorov, namesto da odstranite kontekst, ki pomaga razlagati odgovor.

Samodejno zaznavanje jezika je uporabno, kadar jezik ni znan vnaprej. Dokumentirani nabor 60 jezikov vključuje angleščino, ruščino, kitajščino, japonščino, korejščino, arabščino, francoščino, nemščino, španščino, indonezijščino, malajščino, tajščino in vietnamščino. Prehajanje med jeziki zajema naravne spremembe jezikov, vključno z mešanimi pari, kot sta Hinglish ali Spanglish. Proizvajalčev vmesnik sprejme tudi en namig o jeziku, ki ga opisuje kot močno navodilo. Uporabite ga le, kadar je posnetek dejansko v določenem jeziku, namesto da večjezični pogovor silite v en pričakovani jezik.

Usmerjanje s ključnimi besedami predloži področne izraze, kratice, imena izdelkov in lastna imena, ki jih je sicer težko razlikovati iz zvoka. Pripravite osredotočen seznam, povezan s posnetkom, kot so ime projekta, linija izdelkov ali tehnične besede iz razprave. Vodnik za izvajanje jih opisuje kot namige za prepoznavanje in ne prisilna ujemanja. Pri tehničnem predavanju vključite natančen zapis imen instrumentov in strokovnih izrazov, nato preverite, ali jih prepis postavi tja, kjer so bili dejansko izgovorjeni. Predloženi izraz ni dokaz, da ga je govorec izrekel.

Slog izhoda izberite glede na predvideni izdelek. Verbatim, dokumentirana privzeta možnost, ohrani mašila, napačne začetke in samopopravke. Clean odstrani govorne netekočnosti za berljivejši prepis. Zapis za preučevanje poteka pogovora lahko ohrani omahovanje in popravek; berljiv prepis učne ure lahko uporabi očiščeno besedilo. Izvirni zvok ohranite ob katerem koli rezultatu. Čiščenje izboljša predstavitev govorjenega besedila in ga ne smemo obravnavati kot ločen povzetek ali novo razlago govorčevega namena.

Razločevanje govorcev loči replike glede na zaznanega govorca, časovne oznake na ravni besed pa za vsako besedo določijo odmik in trajanje. Izvajalni vmesnik ponuja tudi časovno označevanje odsekov ali izhod brez časovnih oznak. Odseki so razdeljeni po jeziku in, ko je razločevanje govorcev omogočeno, po govorcu. Časovna polja uporabljajo milisekunde in lahko podpirajo navigacijo, iskanje in urejanje. Oznake razlikujejo zaznane govorce; povezovanje oznake z imenom udeleženca je ločen korak preverjanja. Pri podnapisih uporabite preverjene čase besed za pripravo berljivih skupin podnapisnih enot, namesto da rezultat prepoznavanja obravnavate kot že dokončano datoteko podnapisov.

Kartica modela navaja največjo velikost datoteke 300 MB in dve uri. Povezana referenca sinhronega REST za dokumentirani vmesnik 2025-10-15 pa zahteva datoteko, manjšo od 250 MB in krajšo od dveh ur. To so različne objavljene omejitve kartice modela in izvajalnega vmesnika; datoteko pripravite znotraj veljavnega izvajalnega proračuna. Vodnik MAI navaja tudi, da razločevanje govorcev podpira krajše posnetke kot prepisovanje brez njega. Dolgo gradivo z več govorci uredite v smiselne razdelke, kadar je potreben pripis govorcev, in za poznejši pregled ohranite položaj razdelka v izvirnem posnetku.

Dokumentirani izhod so strukturirani podatki prepisa: celotno besedilo, fraze in, kadar je zahtevano, podatki o govorcih in času. Fraza lahko vsebuje svoje besedilo, jezik, odmik in trajanje; časovne oznake besed lahko prepoznano besedo povežejo z zvokom. Pri iskljivem arhivu ohranite ta razmerja, da najdeni izraz lahko vodi nazaj do posnetka. Pri poteku sestanka preverjeni prepis postane vhod za poznejše povzemanje ali izluščanje nalog za ukrepanje. Rezultat govornega modela je prepoznana vsebina in ne neodvisno preverjeni zapis odločitev sestanka.

Razlika med različicama je konkretna. MAI-Transcribe 1.5 pokriva 43 jezikov, ta izdaja pa 60 in dodaja dokumentirane nastavitve razločevanja govorcev, časovnih oznak besed ter slogov clean/verbatim. MAI-Transcribe 2 Streaming je ločen model za postopno sprotno prepisovanje z lastnim naborom funkcij; njegova zakasnitev do prvega delnega rezultata ne opisuje te izdaje za posneti zvok. Pred uporabo prepisa kot vira za podnapise, citate ali izpeljani dokument ga primerjajte z zvokom glede imen, števil, replik govorcev in večjezičnih odlomkov.