MAI-Transcribe-2 Faoliyat yuritmoqda

MAI-Transcribe-2 — Microsoft tomonidan taqdim etilgan eng kuchli AI nutqni matnga aylantirish modeli bo‘lib, aniqlik, tezlik va xarajat bo‘yicha har tomonlama yetakchilik qiladi. Model 60 ta tilni qo‘llab-quvvatlaydi, FLEURS test to‘plamida o‘rtacha so‘z xatolik darajasi atigi 5.2% ni tashkil etadi. Modelga so‘zlovchilarni ajratish va har bir so‘z uchun vaqt belgilarini qo‘yish funksiyalari qo‘shilgan. U verbatim (nutqdagi xatolarni saqlash) va clean (to‘ldiruvchi so‘zlarni olib tashlash) transkripsiya uslublarini, shuningdek, tilni avtomatik aniqlash va til almashinuvini qo‘llab-quvvatlaydi.

Ko‘p tilli nutq transkripsiyasi: 60 ta tilni qo‘llab-quvvatlaydi va yozuv tilini oldindan ko‘rsatishsiz avtomatik aniqlaydi.
So‘zlovchilarni ajratish: bitta yozuvdagi turli so‘zlovchilarni farqlaydi va transkripsiya matnini tegishli so‘zlovchiga biriktiradi.
Har bir so‘z uchun vaqt belgisi: har bir so‘zning aniq vaqt joylashuvini belgilaydi, bu subtitrlarni sinxronlashtirish, audio qidirish va tahrirlashni osonlashtiradi.
Sozlanadigan transkripsiya uslubi: verbatim rejimi undov so‘zlari va nutqdagi xatolarni saqlaydi, clean rejimi esa o‘qilishi oson matn yaratish uchun to‘ldiruvchi so‘zlarni olib tashlaydi.
Tilni avtomatik aniqlash va almashish: tillar tabiiy aralashadigan suhbatlarni qo‘llab-quvvatlaydi, til almashinuvini avtomatik aniqlaydi va unga moslashadi.
Kalit so‘zlarga ustuvorlik berish: muayyan so‘zlarni aniqlash aniqligini oshirish uchun soha atamalari ro‘yxatini oldindan belgilash imkonini beradi.
Shovqinli muhitda transkripsiya: fon shovqini mavjud sharoitlarda yuqori aniqlikni saqlagan holda transkripsiya qilish imkoniyatiga ega.

Yagona uchdan uchgacha arxitektura: akustik xususiyatlarni bevosita matn ketma-ketligiga aylantirish uchun yagona neyron tarmoqdan foydalanadi. Nutqni aniqlash, so‘zlovchilarni ajratish va tilni aniqlash kabi vazifalar bitta modelga birlashtiriladi. Bu an’anaviy ketma-ket tizimlarda xatolarning to‘planishini oldini olib, tezlik va aniqlikni bir vaqtning o‘zida optimallashtiradi.
Ko‘p tilli qo‘shma o‘qitish: 60 ta tilga oid katta hajmdagi nutq-matn ma’lumotlari asosida birgalikda o‘qitiladi. Model tillar o‘rtasida umumiy akustik tasvirlar va til qonuniyatlarini o‘rganadi. Shu sababli u nafaqat asosiy tillarni qamrab oladi, balki resurslari kam tillarda ham yuqori aniqlikni saqlaydi va tabiiy til almashinuvini real vaqtda aniqlay oladi.
Kontekstni hisobga oluvchi dekodlash: dekodlash jarayonida model faqat joriy akustik kadr asosida bashorat qilmaydi, balki global kontekst ma’nosi va tashqi kalit so‘zlar ustuvorligini birgalikda hisobga olgan holda xulosa chiqaradi. U chiqish so‘zlari ehtimollik taqsimotini dinamik ravishda moslashtirib, professional atamalarni aniqlash aniqligini oshiradi hamda verbatim va clean uslublarida boshqariladigan generatsiyani qo‘llab-quvvatlaydi.

Azure resursini yaratish: Azure portalida AI Speech xizmati resursini yarating va API kaliti hamda hududiy endpoint manzilini oling.
Foundry preview xizmatiga ulanish: Microsoft Foundry ommaviy preview versiyasi kirish nuqtasi orqali https://ai.azure.com/catalog/models/MAI-Transcribe-2 modeldan foydalanish interfeysiga kiring.
Model parametrlarini sozlash: API so‘rovida model: "MAI-Transcribe-2" ni ko‘rsating va zaruratga ko‘ra so‘zlovchilarni ajratish hamda har bir so‘z uchun vaqt belgilarini qo‘yish funksiyalarini yoqing.
Audio yuklash va transkripsiya qilish: WAV/MP3/MP4 kabi formatdagi audio fayllarni yuboring, model tilni avtomatik aniqlaydi va transkripsiya qiladi.
Tuzilgan natijani olish: to‘liq matn, har bir so‘z uchun vaqt belgilari, so‘zlovchi teglari va avtomatik aniqlangan til kodlarini o‘z ichiga olgan JSON javobini qabul qiling.

Jahon miqyosida yetakchi aniqlik: FLEURS dagi 60 til bo‘yicha o‘rtacha so‘z xatolik darajasi atigi 5.2%, xitoy tilida esa 4.5% gacha tushadi; natija Gemini 3.1 Pro va Whisper v3-Large modellaridan har tomonlama yaxshiroq.
Sohadagi eng yuqori tezlik: qayta ishlash tezligi real vaqtdan 403.6 baravar yuqori, 1 soatlik audio taxminan 9 soniyada yakunlanadi va GPT-Transcribe dan 10 baravar tezroq.
Sohadagi eng past xarajat: cheklangan muddatdagi narx 0.10 dollar/soat, avvalgi avlodga nisbatan taxminan 72% arzonroq.
Funksiyalarning mahalliy integratsiyasi: so‘zlovchilarni ajratish, har bir so‘z uchun vaqt belgilarini qo‘yish, tilni avtomatik aniqlash va almashish, verbatim/clean ikki uslubdagi transkripsiya ichki tarzda mavjud; qo‘shimcha qayta ishlash talab etilmaydi.
Ko‘p tillarni uzluksiz qamrab olish: 60 ta tilni qo‘llab-quvvatlaydi, tabiiy ravishda aralash tilli suhbatlarni avtomatik aniqlaydi va ularga moslashadi; tilni oldindan ko‘rsatish shart emas.

Call-markazlarda sifat nazorati va tahlil: so‘zlovchilarni ajratish orqali operator va mijozni farqlaydi, har bir so‘z uchun vaqt belgilari yordamida muloqotdagi nutq ulushini o‘lchash va muhim momentlarni aniq topish imkonini beradi.
Uchrashuv va intervyularni aqlli qayd etish: ko‘p kishilik yozuvlarni so‘zlovchi teglari mavjud tuzilgan matnga aylantiradi, harakat bandlari va qarorlar manbasini avtomatik ravishda tegishli shaxsga biriktiradi.
Ovozli agentlar uchun real vaqtda diktovka: past kechikishli eshitish kiritish qatlami sifatida MAI-Voice-2 Flash bilan birga nutqdan nutqqa real vaqtdagi suhbatning to‘liq siklini ta’minlaydi.
Media subtitrlari va lokalizatsiya: har bir so‘z uchun vaqt belgilari subtitrlarni sinxronlashtirish xarajatlarini sezilarli kamaytiradi, 60 ta tilni qamrab olishi esa global kontent ishlab chiqarishni qo‘llab-quvvatlaydi.
Muvofiqlik, huquqiy va nazorat maqsadlarida dalillarni saqlash: so‘zlovchiga biriktirilgan vaqt belgilariga ega aniq qaydlar yaratadi va moliya hamda tibbiyot kabi sohalarning audit va dalil yig‘ish talablariga javob beradi.