MAI-Transcribe-2 آپریشن میں

MAI-Transcribe-2 مائیکروسافٹ کا سب سے طاقتور AI اسپیچ ٹو ٹیکسٹ ماڈل ہے، جو درستگی، رفتار اور لاگت کے لحاظ سے مجموعی طور پر سبقت رکھتا ہے۔ یہ ماڈل 60 زبانوں کو سپورٹ کرتا ہے، اور FLEURS ٹیسٹ سیٹ پر اس کی اوسط لفظی غلطی کی شرح صرف 5.2% ہے۔ ماڈل میں اسپیکر ڈائریئزیشن اور لفظ بہ لفظ ٹائم اسٹیمپس کی سہولت شامل ہے۔ یہ verbatim (زبان کی لغزشیں برقرار رکھنے) اور clean (فِلر الفاظ حذف کرنے) کے دو ٹرانسکرپشن انداز فراہم کرتا ہے، جبکہ خودکار زبان شناخت اور زبان کی تبدیلی کو بھی سپورٹ کرتا ہے۔

کثیر لسانی اسپیچ ٹرانسکرپشن: 60 زبانوں کو سپورٹ کرتا ہے اور ریکارڈنگ کی زبان خودکار طور پر شناخت کر سکتا ہے، اس لیے پہلے سے زبان متعین کرنے کی ضرورت نہیں۔
اسپیکر ڈائریئزیشن: ایک ریکارڈنگ میں مختلف مقررین کی شناخت کرتا ہے اور ٹرانسکرپٹ کو متعلقہ اسپیکر سے منسوب کرتا ہے۔
لفظ بہ لفظ ٹائم اسٹیمپس: ہر لفظ کے لیے درست وقت درج کرتا ہے، جس سے سب ٹائٹلز کی ہم وقتی ترتیب، آڈیو تلاش اور تدوین آسان ہو جاتی ہے۔
قابلِ ترتیب ٹرانسکرپشن انداز: verbatim موڈ میں لہجے کے الفاظ اور زبان کی لغزشیں برقرار رہتی ہیں، جبکہ clean موڈ فِلر الفاظ حذف کرکے پڑھنے میں آسان متن تیار کرتا ہے۔
خودکار زبان شناخت اور تبدیلی: قدرتی طور پر ملی جلی زبانوں میں ہونے والی گفتگو کو سپورٹ کرتا ہے اور زبان کی تبدیلی کو خودکار طور پر شناخت کرکے اس کے مطابق ڈھل جاتا ہے۔
کلیدی الفاظ کا تعصب: شعبہ جاتی اصطلاحات کی فہرست پہلے سے متعین کی جا سکتی ہے تاکہ مخصوص الفاظ کی شناخت کی درستگی بہتر ہو۔
شور والے ماحول میں ٹرانسکرپشن: پسِ منظر کے شور میں بھی اعلیٰ درستگی برقرار رکھتے ہوئے ٹرانسکرپشن انجام دیتا ہے۔

اینڈ ٹو اینڈ متحدہ معماری: ایک واحد نیورل نیٹ ورک صوتی خصوصیات کو براہِ راست متنی سلسلے میں تبدیل کرتا ہے۔ اسپیچ ریکگنیشن، اسپیکر ڈائریئزیشن اور زبان کی شناخت جیسے کام ایک ہی ماڈل میں ضم کیے گئے ہیں، جس سے روایتی سلسلہ وار نظاموں میں غلطیوں کے جمع ہونے سے بچا جاتا ہے اور رفتار و درستگی دونوں بہتر ہوتی ہیں۔
کثیر لسانی مشترکہ تربیت: 60 زبانوں کے وسیع اسپیچ ٹو ٹیکسٹ ڈیٹا پر مشترکہ تربیت کے ذریعے ماڈل بین اللسانی مشترکہ صوتی نمائندگی اور لسانی اصول سیکھتا ہے۔ اس طرح یہ نہ صرف بڑی زبانوں کا احاطہ کرتا ہے بلکہ کم وسائل والی زبانوں میں بھی اعلیٰ درستگی برقرار رکھتا ہے اور قدرتی زبان کی تبدیلی کو حقیقی وقت میں شناخت کر سکتا ہے۔
سیاق سے باخبر ڈیکوڈنگ: ڈیکوڈنگ کے دوران ماڈل صرف موجودہ صوتی فریم کی بنیاد پر پیش گوئی نہیں کرتا بلکہ عالمی سیاق و سباق، معنوی معلومات اور بیرونی کلیدی الفاظ کے تعصب کو ملا کر استدلال کرتا ہے۔ یہ آؤٹ پٹ الفاظ کے احتمالی پھیلاؤ کو متحرک طور پر ایڈجسٹ کرتا ہے، پیشہ ورانہ اصطلاحات کی شناخت بہتر بناتا ہے اور verbatim و clean دونوں انداز میں قابلِ کنٹرول تخلیق فراہم کرتا ہے۔

Azure وسائل بنائیں: Azure پورٹل میں AI Speech سروس کا وسیلہ بنائیں اور API کلید و علاقائی اینڈ پوائنٹ حاصل کریں۔
Foundry پیش منظر سے منسلک ہوں: Microsoft Foundry کے عوامی پیش نظارہ کے داخلی راستے https://ai.azure.com/catalog/models/MAI-Transcribe-2 کے ذریعے ماڈل کال کرنے کے انٹرفیس میں داخل ہوں۔
ماڈل کے پیرامیٹرز ترتیب دیں: API درخواست میں model: "MAI-Transcribe-2" متعین کریں اور ضرورت کے مطابق اسپیکر ڈائریئزیشن و لفظ بہ لفظ ٹائم اسٹیمپس فعال کریں۔
آڈیو اپ لوڈ کرکے ٹرانسکرائب کریں: WAV/MP3/MP4 جیسے فارمیٹس میں آڈیو فائل جمع کریں، ماڈل زبان خودکار طور پر شناخت کرکے ٹرانسکرپشن انجام دے گا۔
ساخت یافتہ نتیجہ حاصل کریں: واپس آنے والا JSON وصول کریں، جس میں مکمل متن، لفظ بہ لفظ ٹائم اسٹیمپس، اسپیکر لیبلز اور خودکار طور پر شناخت کیا گیا زبان کا کوڈ شامل ہوگا۔

عالمی سطح کی درستگی: FLEURS کی 60 زبانوں میں اوسط لفظی غلطی کی شرح صرف 5.2% ہے، جبکہ چینی زبان میں یہ 4.5% تک کم ہے، جو Gemini 3.1 Pro اور Whisper v3-Large سے مجموعی طور پر بہتر ہے۔
صنعت کی تیز ترین رفتار: پروسیسنگ کی رفتار حقیقی وقت سے 403.6 گنا زیادہ ہے؛ 1 گھنٹے کی آڈیو تقریباً 9 سیکنڈ میں مکمل ہو جاتی ہے، جو GPT-Transcribe سے 10 گنا تیز ہے۔
صنعت کی کم ترین لاگت: محدود مدت کی قیمت 0.10 امریکی ڈالر فی گھنٹہ ہے، جو پچھلی نسل کے مقابلے میں تقریباً 72% کم ہے۔
مقامی طور پر مربوط فیچرز: اسپیکر ڈائریئزیشن، لفظ بہ لفظ ٹائم اسٹیمپس، خودکار زبان شناخت و تبدیلی، اور verbatim/clean کے دوہرے انداز میں ٹرانسکرپشن بلٹ اِن ہیں، اس لیے اضافی پوسٹ پروسیسنگ کی ضرورت نہیں۔
کثیر لسانی بلا رکاوٹ کوریج: 60 زبانوں کو سپورٹ کرتا ہے اور قدرتی طور پر ملی جلی زبانوں کی گفتگو کو خودکار طور پر شناخت کرکے اس کے مطابق ڈھل جاتا ہے، اس لیے پہلے سے زبان متعین کرنے کی ضرورت نہیں۔

کال سینٹر کوالٹی کنٹرول اور تجزیہ: اسپیکر ڈائریئزیشن کے ذریعے کسٹمر سروس نمائندے اور صارف میں فرق کریں، اور لفظ بہ لفظ ٹائم اسٹیمپس کے ساتھ گفتگو کے تناسب کی پیمائش اور اہم moments کی درست نشاندہی کریں۔
میٹنگز اور انٹرویوز کی ذہین دستاویز بندی: متعدد افراد کی ریکارڈنگ کو اسپیکر لیبلز والے ساخت یافتہ متن میں تبدیل کریں اور ایکشن آئٹمز و فیصلوں کے ماخذ خودکار طور پر منسوب کریں۔
اسپیچ ایجنٹس کے لیے حقیقی وقت میں ڈکٹیشن: کم تاخیر والی صوتی ان پٹ پرت کے طور پر MAI-Voice-2 Flash کے ساتھ استعمال کریں تاکہ اسپیچ ٹو اسپیچ حقیقی وقت کی گفتگو کا مکمل سلسلہ حاصل ہو۔
میڈیا سب ٹائٹلز اور لوکلائزیشن: لفظ بہ لفظ ٹائم اسٹیمپس سب ٹائٹلز کی ہم وقتی ترتیب کی لاگت کو نمایاں طور پر کم کرتے ہیں، جبکہ 60 زبانوں کی کوریج عالمی مواد کی تیاری میں مدد دیتی ہے۔
تعمیل، قانون اور ضابطہ جاتی ریکارڈ: اسپیکر سے منسوب اور ٹائم اسٹیمپس پر مشتمل درست ریکارڈ تیار کرتا ہے، جو مالیاتی اور طبی شعبوں میں آڈٹ و قانونی ثبوت کے تقاضے پورے کرتا ہے۔