Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2 är tal-till-text-utgåvan för inspelat ljud i Microsofts andra generation av transkriptionsmodeller. Den omvandlar talat innehåll till skriftlig text på 60 språk, med automatisk språkidentifiering och stöd för tal som växlar mellan språk. Modellen lägger till talarseparering, tidsangivelser på ordnivå och valbara transkriptionsstilar. Användbara resultat omfattar en mötestranskription med talartilldelning, en sökbar intervjuutskrift, data för tidsjustering av undertexter eller kontrollerad diktamen med specialistterminologi.

Förbered inspelningen med det talade materialet intakt. Tillverkaren anger WAV, MP3 och FLAC som indata. Behåll originalljudet tillgängligt för att jämföra osäkra ord, namn och tal med den identifierade texten. En inspelning kan innehålla bakgrundsbuller eller varierande mikrofonkvalitet, vilket modellen är utformad för att hantera, men granskningen bör ändå fokusera på otydliga eller överlappande avsnitt. För en intervju bevarar du följden av turer och pauser snarare än tar bort kontexten som hjälper till att tolka ett svar.

Automatisk språkidentifiering är användbar när språket inte är känt i förväg. Den dokumenterade uppsättningen på 60 språk omfattar engelska, ryska, kinesiska, japanska, koreanska, arabiska, franska, tyska, spanska, indonesiska, malajiska, thailändska och vietnamesiska. Språkväxling täcker naturliga skiften mellan språk, inklusive blandade par som Hinglish eller Spanglish. Tillverkarens gränssnitt accepterar även en enda språkledtråd, som beskrivs som en stark instruktion. Använd den endast när inspelningen faktiskt är på det angivna språket i stället för att tvinga ett flerspråkigt samtal till ett enda förväntat språk.

Nyckelordsstyrning tillhandahåller domänspecifika termer, förkortningar, produktnamn och egennamn som annars kan vara svåra att skilja åt utifrån ljudet. Förbered en fokuserad lista relaterad till inspelningen, till exempel projektnamnet, en produktserie eller tekniska ord som används i diskussionen. Driftguiden beskriver dessa som igenkänningsledtrådar snarare än tvingade matchningar. För en teknisk föreläsning tar du med exakt stavning av namngivna instrument och specialisttermer och kontrollerar sedan om transkriptionen placerar dem där de faktiskt uttalades. En tillhandahållen term är inte ett belägg för att talaren sade den.

Välj utdatastil utifrån det avsedda resultatet. Verbatim, det dokumenterade standardvalet, behåller utfyllnadsord, omstarter och självrättelser. Clean tar bort avbrott och tveksamheter för en mer läsbar transkription. En uppteckning som används för att undersöka hur ett samtal utvecklades kan bevara tvekan och rättelsen; en läsbar lektionstranskription kan använda den rensade ordalydelsen. Behåll originalljudet tillsammans med båda slags resultat. Rensning förbättrar presentationen av den talade texten och bör inte behandlas som en separat sammanfattning eller en ny tolkning av vad talaren menade.

Talarseparering delar upp turer efter identifierad talare, och tidsstämplar på ordnivå anger en förskjutning och längd för varje ord. Driftgränssnittet erbjuder även tidsangivelser per segment eller inga tidsangivelser. Segment delas efter språk och, när talarseparering är aktiverad, efter talare. Tidsfälten använder millisekunder och kan stödja navigering, sökning och redigering. Etiketterna skiljer identifierade talare åt; att koppla en etikett till en deltagares namn är ett separat granskningssteg. För undertexter använder du kontrollerade ordtider för att förbereda läsbara textgrupper i stället för att anta att igenkänningsresultatet redan är en färdig undertextfil.

Modellkortet anger en maximal filstorlek på 300 MB och två timmar. Den länkade synkrona REST-referensen för det dokumenterade gränssnittet 2025-10-15 kräver i stället en fil som är mindre än 250 MB och kortare än två timmar. Detta är separata publicerade modellkorts- och driftbegränsningar; förbered en fil inom den tillämpliga driftgränsen. MAI-guiden anger också att talarseparering stöder kortare inspelningar än transkription utan talarseparering. Ordna långt material med flera talare i sammanhängande avsnitt när talartilldelning behövs och behåll avsnittets position i originalinspelningen för senare granskning.

Den dokumenterade utdatan är strukturerade transkriptionsdata: hela texten, fraser och, när det begärs, talar- och tidsinformation. En fras kan bära sin text, sitt språk, sin förskjutning och längd; ordtider kan koppla ett identifierat ord till ljudet. För ett sökbart arkiv bevarar du dessa relationer så att en hittad term kan leda tillbaka till inspelningen. För ett mötesflöde blir en kontrollerad transkription indata för senare sammanfattning eller extraktion av åtgärdspunkter. Talmodellens resultat är det identifierade innehållet, inte en oberoende verifierad redogörelse för mötets beslut.

Versionsskillnaden är konkret. MAI-Transcribe 1.5 täcker 43 språk, medan denna utgåva täcker 60 och lägger till de dokumenterade kontrollerna för talarseparering, ordtidsstämplar och Clean/Verbatim. MAI-Transcribe 2 Streaming är en separat modell för stegvis transkription i realtid med ett eget funktionsutbud; dess latens till det första delresultatet beskriver inte denna utgåva för inspelat ljud. Kontrollera transkriptionen mot ljudet för namn, tal, talarturer och flerspråkiga avsnitt innan den används som källa för undertexter, citat eller ett härlett dokument.