Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 là mô hình chuyển giọng nói thành văn bản để biến âm thanh ghi sẵn thành nội dung viết. Thẻ mô hình chính xác mô tả khả năng nhận diện ở 43 ngôn ngữ, tự nhận diện ngôn ngữ và nhận diện ổn định với nhiều giọng, phương ngữ, phong cách nói cũng như trong điều kiện nhiều tiếng ồn. Phiên bản mở rộng tập 25 ngôn ngữ của MAI-Transcribe 1 thêm mười tám ngôn ngữ. Kết quả hữu ích là lời nói viết lại từ bài giảng, phỏng vấn, cuộc gọi hoặc ghi chú giọng nói, sẵn sàng đối chiếu bản ghi trước bước biên tập hay phân tích sau.

Chuẩn bị bản ghi đầy đủ, nghe hiểu được ở một định dạng nhà sản xuất liệt kê: WAV, MP3 hoặc FLAC. Giữ tệp gốc và mọi cách chia phần để đối chiếu bản chép với âm thanh. Với bài giảng, giữ các cụm quanh thuật ngữ kỹ thuật thay vì chỉ trích từ khó. Với ghi chú giọng nói, giữ lời sửa làm thay đổi tên, giờ hoặc số. Lời nói xung quanh cung cấp ngữ cảnh nhận diện điều được nói; rà soát bằng nghe có thể xác định chỗ đầu ra cần sửa.

Tự nhận diện ngôn ngữ cho phép xử lý bản ghi mà không cần chọn ngôn ngữ trước. Tập 43 ngôn ngữ gồm tiếng Anh, Pháp, Đức, Ý, Tây Ban Nha, Hindi, Trung, Nhật, Hàn, Ả Rập, Indonesia, Nga, Thái và Việt. Các ngôn ngữ bổ sung gồm Bulgaria, Catalan, Hy Lạp, Ukraina và một số ngôn ngữ Nam Á. Kiểm tra ngôn ngữ dự định thuộc tập phiên bản này thay vì mượn phạm vi rộng hơn của MAI-Transcribe 2. Với tập bản ghi đa ngôn ngữ, giữ ngôn ngữ bản ghi cùng văn bản đã rà để biên tập sau bám nội dung nói thực tế.

Thẻ 1.5 mô tả gợi ý ưu tiên từ khóa hoặc thực thể với tối đa 200 thuật ngữ; bản phát hành giải thích mục đích là cung cấp tên, chữ viết tắt và từ chuyên môn có khả năng xuất hiện làm ngữ cảnh. Nhà sản xuất mô tả gợi ý theo ngữ cảnh thay vì ép từ cung cấp vào kết quả một cách mù quáng. Chuẩn bị từ vựng liên quan như tên dự án, thiết bị kỹ thuật hoặc cách viết đúng tên người được thảo luận. Dùng thuật ngữ đó làm ngữ cảnh cho bản ghi thực tế và đối chiếu thuật ngữ nhận diện với lời nói.

Với bài học kỹ thuật ghi sẵn, chuẩn bị tên các thiết bị được thảo luận và cách viết chính xác chữ viết tắt dự án. Viết đúng vào danh sách thuật ngữ tập trung, giữ danh sách cạnh âm thanh và bản chép. Rà các chỗ xuất hiện với đoạn nói thay vì coi mục từ vựng là bằng chứng khớp. Tên phát âm giống nhau vẫn có thể cần kiểm tra. Kết quả cần giữ từ thực sự được nói, gồm lời sửa hoặc điều kiện bổ sung thay đổi ý nghĩa.

Nhà sản xuất nhấn mạnh hiệu năng với âm thanh thực tế, gồm tiếng ồn nền và nhiều điều kiện micro. Rà soát thực dụng có thể tập trung đoạn nói đồng thời, giọng nhỏ hoặc từ bị âm khác che một phần. Gắn bất định với đoạn âm thanh tương ứng thay vì lấp bằng giả định về chủ đề. Câu có vẻ hợp lý vẫn có thể chứa tên riêng hoặc số sai. Với bản chép cuộc gọi, sản phẩm hữu ích là bản ghi nội dung nói đã kiểm tra để phân tích sau dùng, thay vì phỏng đoán ý định người gọi.

Thẻ mô hình 1.5 chính xác liệt kê kích thước tệp tối đa 300 MB và hai giờ. Tài liệu REST chép lời đồng bộ liên kết mô tả đầu vào phục vụ chặt hơn: nhỏ hơn 250 MB và ngắn hơn hai giờ. Đây là giới hạn thẻ mô hình và giao diện được nêu riêng. Chuẩn bị tệp trong ngân sách giao diện dự định và tổ chức tư liệu dài hơn tại ranh giới ghi âm có ý nghĩa. Giới hạn kích thước liên quan âm thanh mã hóa, còn giới hạn thời lượng liên quan độ dài bản ghi lời nói; cả hai không định nghĩa cửa sổ ngữ cảnh mô hình văn bản.

Đầu ra mẫu trong thẻ là JSON chứa thời lượng bản ghi và văn bản nhận diện gộp. Văn bản có thể thành bản chép dễ tiếp cận, kịch bản phụ đề hoặc đầu vào cho tóm tắt và tìm kiếm sau. Nhóm dòng phụ đề và căn chỉnh với bản ghi là bước chuẩn bị riêng khi kết quả không có thời gian cần thiết. Với bản ghi phỏng vấn, gán câu cho người tham gia có tên cần bản ghi riêng đã kiểm tra về ai nói. Giữ lời văn nhận diện cùng âm thanh làm cơ sở cho sản phẩm sau.

Ranh giới phiên bản quan trọng khi lập đầu ra. Thẻ 1.5 đặt rõ phân tách người nói ngoài khả năng hỗ trợ; bảng so sánh phiên bản gán dấu thời gian cấp từ và điều khiển phong cách clean/verbatim cho MAI-Transcribe 2. Mô hình truyền luồng gốc cũng là phiên bản riêng. Vì vậy biến thể 1.5 tập trung văn bản nhận diện từ bản ghi và ngữ cảnh lĩnh vực được mô tả, không đưa tính năng người nói, thời gian hoặc đầu vào trực tiếp của phiên bản khác vào kết quả. Rà tên, số, thuật ngữ kỹ thuật và lời nói không rõ trước khi chuẩn bị trích dẫn, luồng phụ đề hoặc tài liệu phát sinh.