Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 är en tal-till-text-modell för att omvandla inspelat ljud till skriftligt innehåll. Dess exakta modellkort beskriver igenkänning på 43 språk, automatisk språkidentifiering och robusthet över accenter, dialekter, talstilar och bullriga förhållanden. Utgåvan utökar MAI-Transcribe 1:s uppsättning på 25 språk med arton språk. Ett användbart resultat är det nedskrivna talet från en föreläsning, en intervju, ett samtal eller en röstanteckning, redo att kontrolleras mot inspelningen före ett senare redigerings- eller analyssteg.

Förbered en komplett, begriplig inspelning i något av tillverkarens angivna format: WAV, MP3 eller FLAC. Behåll originalfilen och eventuell indelning i avsnitt så att transkriptionen kan jämföras med ljudet. För en föreläsning behåller du fraserna kring en teknisk term i stället för att extrahera bara det svåra ordet. För en röstanteckning bevarar du en rättelse som ändrar ett namn, en tid eller ett tal. Det omgivande talet ger kontext för att känna igen vad som sades, och lyssnarens granskning kan identifiera var utdata behöver korrigeras.

Automatisk språkidentifiering gör att en inspelning kan bearbetas utan att ett språk måste väljas i förväg. Uppsättningen på 43 språk omfattar engelska, franska, tyska, italienska, spanska, hindi, kinesiska, japanska, koreanska, arabiska, indonesiska, ryska, thailändska och vietnamesiska. De tillagda språken omfattar bulgariska, katalanska, grekiska, ukrainska och flera sydasiatiska språk. Kontrollera att det avsedda språket tillhör denna utgåvas uppsättning i stället för att låna MAI-Transcribe 2:s bredare täckning. För flerspråkiga samlingar behåller du inspelningens språk tillsammans med den granskade texten så att efterföljande redigering följer det faktiska talade innehållet.

Modellkortet för 1.5 beskriver nyckelords- eller entitetsstyrning med upp till 200 termer, och utgåvan förklarar syftet: att göra sannolika namn, akronymer och specialistord tillgängliga som kontext. Tillverkaren beskriver kontextuella ledtrådar snarare än att blint tvinga in tillhandahållna ord i resultatet. Förbered ett relevant ordförråd, till exempel projektnamnet, ett tekniskt instrument eller korrekt stavning av en person som diskuteras i inspelningen. Använd terminologin som kontext för den faktiska inspelningen och kontrollera de identifierade termerna mot talet.

För en inspelad tekniklektion förbereder du namnen på de instrument som diskuteras och den exakta stavningen av eventuella projektakronymer. Skriv deras exakta stavningar i en fokuserad terminologilista och behåll listan tillsammans med ljudet och transkriptionen. Granska dessa förekomster mot de talade avsnitten i stället för att behandla en ordförrådspost som bevis för en matchning. Namn som låter lika kan fortfarande behöva kontrolleras. Resultatet bör bevara de ord som faktiskt uttalades, inklusive en rättelse eller precisering som ändrar deras betydelse.

Tillverkaren betonar prestanda på verkligt ljud, inklusive bakgrundsbuller och varierande mikrofonförhållanden. Den praktiska granskningen kan fokusera på avsnitt med samtidigt tal, svaga röster eller ord som delvis täcks av ett annat ljud. Håll osäkerheter kopplade till motsvarande ljudavsnitt i stället för att fylla dem med antaganden om ämnet. En rimlig mening kan fortfarande innehålla fel egennamn eller tal. För en samtalstranskription är den användbara leveransen en kontrollerad uppteckning av det talade innehållet som en senare analys kan använda, snarare än en gissad redogörelse för uppringarens avsikt.

Det exakta modellkortet för 1.5 anger en maximal filstorlek på 300 MB och två timmar. Dess länkade REST-referens för synkron transkription beskriver en striktare driftindata: mindre än 250 MB och kortare än två timmar. Detta är separat angivna gränser för modellkortet och gränssnittet. Förbered filer inom det avsedda gränssnittets gräns och ordna längre material vid meningsfulla inspelningsgränser. En filstorleksgräns gäller det kodade ljudet, medan längdgränsen gäller talinspelningens längd; ingen av dem definierar ett kontextfönster för en textmodell.

Modellkortets exempelutdata är JSON med inspelningens längd och den samlade identifierade texten. Texten kan bli en tillgänglig transkription, ett manus för undertexter eller indata för senare sammanfattning och sökning. Gruppering av undertextrutor och tidsjustering till inspelningen är separata förberedelser när resultatet inte innehåller de nödvändiga tidsuppgifterna. För intervjuuppteckningar kräver tilldelning av en replik till en namngiven deltagare en separat kontrollerad uppgift om vem som talade. Bevara den identifierade ordalydelsen och ljudet som grund för dessa senare resultat.

Utgåvans gränser är viktiga när utdata planeras. Modellkortet för 1.5 placerar uttryckligen talarseparering utanför dess stödda förmågor, och tillverkarens versionsjämförelse tilldelar tidsstämplar på ordnivå och stilkontrollerna Clean/Verbatim till MAI-Transcribe 2. En inbyggd strömningsmodell är också en separat utgåva. Denna 1.5-variant fokuserar därför på identifierad text från inspelningar och dess dokumenterade domänkontext utan att göra en annan utgåvas funktioner för talare, tidsangivelser eller direktindata till en del av resultatet. Granska namn, tal, tekniska termer och otydligt tal innan du förbereder ett citerat avsnitt, ett undertextspår eller ett härlett dokument.