Что такое MAI‑Transcribe‑1.5
MAI‑Transcribe‑1.5 — модель автоматического распознавания речи (ASR), разработанная Microsoft «с нуля». Она принимает аудио‑файл и возвращает текстовый транскрипт. Важный момент: одна модель поддерживает 43 языка, разные диалекты и акценты, а также работает в шумных условиях.
Модель уже интегрирована в Copilot, Teams, GitHub и Dynamics 365 Contact Centre и доступна через Azure AI Foundry.
Точность в цифрах
Точность измеряется показателем Word‑Error‑Rate (WER) — чем ниже, тем лучше. По данным Microsoft, модель достигает рекордных результатов на мультилингвальном бенчмарке FLEURS, превзойдя конкурентов во всех 43 поддерживаемых языках.
На открытом бенчмарке Artificial Analysis WER составил 2,4 %, что поставило модель на третье место. Несмотря на это, по версии Microsoft она первая на FLEURS.
Расширение языковой поддержки: с 25 до 43 языков без потери качества. Среди новых — бенгали, тамильский, телугу, украинский, греческий и каталонский.
Скорость работы
MAI‑Transcribe‑1.5 сочетает высокую точность с быстрой обработкой. На длинных аудио‑файлах модель в 5 раз быстрее аналогов с сопоставимыми показателями. Например, час записи можно транскрибировать менее чем за 15 секунд.
Сравнительно с Gemini 3.1, Scribe v2 и GPT‑4o‑Transcribe модель показывает ускорение до 5×, а по сравнению с предыдущей версией MAI‑Transcribe‑1 — до 5,7×.
Биасинг по ключевым словам (entity biasing)
Обычные транскрибаторы часто «потаптывают» специальные термины: имена, названия продуктов, медицинские термины, внутренние аббревиатуры. MAI‑Transcribe‑1.5 решает эту проблему с помощью keyword biasing. Пользователь задаёт список до 200 ключевых слов, и модель интеллигентно учитывает их в процессе распознавания.
Биасинг не «засовывает» слова насильно, а использует контекст, чтобы решить, когда их применять. По заявлению Microsoft, при включении биасинга WER на FLEURS снижается примерно на 30 %.
Пример без биасинга: “Sean”, “Oif”, “Societal”. С биасингом (список имён) — “Shaun”, “Aoife”, “Xochitl”. Это критично для встреч, медицинских записей и колл‑центров.
Ключевые сценарии применения
- Субтитрование видео для медиаплатформ.
- Инструменты доступности — автоматические подписи для людей с ограничениями слуха.
- Транскрипция встреч в системе типа Teams.
- Анализ звонков в колл‑центрах и службах поддержки.
- Контент‑воркфлоу — быстрый черновой текст для редакторов.
- Голосовые ассистенты — предварительное преобразование речи в текст перед обработкой.
Дополнительно модель умеет автоматически определять язык записи, что избавляет от ручной настройки.
MAI‑Transcribe‑1.5 vs MAI‑Transcribe‑1
| Атрибут | MAI‑Transcribe‑1 | MAI‑Transcribe‑1.5 |
|---|---|---|
| Поддерживаемые языки | 25 | 43 |
| Keyword/entity biasing | Нет | Да, до 200 слов |
| Скорость долгих инференсов | Базовая | +5,7 × |
| WER на Artificial Analysis | Не указано | 2,4 % (3‑е место) |
| Позиция на FLEURS | State‑of‑the‑art | Best‑in‑class (43 языка) |
| Автоматическое определение языка | Нет | Да |
| Статус | Предыдущий релиз | General Availability (GA) |
| Вход/выход | Audio → Text | Audio → Text |
Сильные и слабые стороны
Сильные стороны
- Поддержка 43 языков одной моделью.
- Keyword biasing снижает WER до 30 % в специализированных доменах.
- Транскрипция часа аудио за <15 сек.
- Доступна в Azure AI Foundry (GA).
- Работает в шумных реальных условиях.
Ограничения
- Отсутствует диаризация — нет разбивки по спикерам.
- Нет нативного стримингового API — ограничена работа в режиме «пакетной обработки».
- Большая часть заявок по скорости и точности исходит от Microsoft, независимых проверок мало.
- На Artificial Analysis занимает 3‑е место, позади двух конкурентов.
Как начать использовать
Для доступа к модели необходимо создать ресурс Azure AI Foundry и активировать модель MAI‑Transcribe‑1.5. После этого вы получаете REST‑endpoint, куда можно отправлять аудиофайлы (форматы WAV, MP3, OGG) и получать JSON‑ответ с транскриптом.
Если вам нужен биасинг, передайте список слов в поле bias_keywords вместе с запросом. Для пакетной обработки используйте Azure Batch или Azure Functions, чтобы параллелить запросы и сократить общий срок обработки.
Не забывайте про лимиты стоимости: модель считается «premium», поэтому рекомендуется оценить цену за час аудио в вашем регионе через страницу ценообразования.
