Nyheden handler derfor om mere end en lavere fejlprocent. Microsoft samler flere trin, som ellers ofte kræver særskilte værktøjer: automatisk valg af sprog, opdeling efter taler, tidsmærker for hvert ord og ekstra vægt på fagudtryk eller navne. Udviklere kan desuden vælge mellem en ordret udskrift og en renset version, hvor fyldord og selvrettelser fjernes.
Dansk er med fra starten
Microsofts dokumentation angiver dansk som et af de 60 understøttede sprog. Modellen kan selv registrere sproget, men en udvikler kan også låse optagelsen til ét sprog, hvis den automatiske registrering rammer forkert. Ved samtaler, der skifter mellem sprog, kan modellen håndtere visse almindelige blandinger uden først at dele lyden op.For danske brugere er taleradskillelsen mindst lige så interessant. En rå udskrift af et møde har begrænset værdi, hvis alle udsagn havner i samme tekstblok. Den nye model kan knytte afsnit til forskellige talere og levere starttid og varighed. Det gør det lettere at søge i en samtale, hoppe direkte til et bestemt sted i lydfilen eller kontrollere et citat mod optagelsen.
Fart og pris bygger på selskabets egne målinger
Microsoft oplyser en gennemsnitlig ordfejlrate på 5,2 procent på den flersprogede FLEURS-test på tværs af 60 sprog. På en ekstern rangliste fra Artificial Analysis placerer modellen sig ifølge Microsoft som nummer to på fejlrate, men i front i kombinationen af kvalitet og svartid. Selskabet sammenligner blandt andet med modeller fra OpenAI, Google og ElevenLabs.De tal bør læses som benchmarkresultater og ikke som en garanti for enhver dansk optagelse. Dialekt, dårlig mikrofon, overlappende tale og sjældne fagord kan stadig ændre resultatet. Microsoft fremhæver selv robusthed over for støj og mulighed for at give modellen en liste over vanskelige ord, men en udskrift med juridisk, medicinsk eller journalistisk betydning bør fortsat kontrolleres mod originalen.
Én model kan erstatte flere efterbehandlingstrin
Den praktiske gevinst ligger i, at resultatet allerede kan indeholde struktur. Ordvise tidsmærker kan bruges til undertekster og redigering, taleropdeling kan skabe læsbare referater, og en renset udskriftsstil kan gøre teksten klar til videre bearbejdning. Til dokumentation eller kvalitetssikring kan man i stedet bevare tøveord og afbrudte sætninger i den ordrette stil.Den samme fleksibilitet skaber også et valg, som systemets ejer skal tage bevidst. En renset tekst er nemmere at læse, men den er ikke længere en fuldstændig gengivelse af måden, der blev talt på. Hvis tone, usikkerhed eller præcis ordlyd har betydning, bør både den oprindelige lyd og den ordrette version bevares.
Tilgængelig nu, men stadig i preview
MAI-Transcribe-2 kan afprøves i MAI Playground og bruges gennem Microsoft Foundry. Microsoft skriver også, at modellen senere kommer til OpenRouter, men uden en fast dato. I Azure Speech-dokumentationen er løsningen betegnet som offentlig forhåndsvisning, og Microsoft fraråder derfor at behandle den som en fuldt understøttet produktionstjeneste endnu.For organisationer med mange optagelser er lanceringen alligevel et konkret tegn på, at talegenkendelse bevæger sig fra ren diktering til færdige, søgbare data. Hastigheden gør det muligt at bearbejde store arkiver, mens tidsmærker, talere og fagsprog kan reducere det manuelle oprydningsarbejde. Den endelige kvalitet afhænger dog fortsat af lydmaterialet og af, hvor grundigt resultatet bliver kontrolleret.
Der er benyttet AI til at skrive denne artikel.
