MAI-Transcribe dans le service Speech d’Azure (version préliminaire)

Note

Cette fonctionnalité est actuellement en préversion publique. Cette préversion est fournie sans contrat de niveau de service et n’est pas recommandée pour les charges de travail de production. Certaines fonctionnalités peuvent ne pas être prises en charge ou avoir des fonctionnalités contraintes. Pour plus d’informations, consultez Conditions supplémentaires d'utilisation pour les versions préliminaires de Microsoft Azure.

MAI-Transcribe est un modèle de reconnaissance vocale de nouvelle génération intégré par l’équipe d’ia Microsoft. Il fournit une transcription rapide et précise sur 60 langues et des conditions audio réelles. MAI-Transcribe-2 prend en charge un large éventail de charges de travail, notamment le sous-titrage vidéo, les réunions, les notes cliniques, la documentation du centre d’appels, les outils d’accessibilité, la création de contenu et les agents vocaux. Le modèle offre la diarisation des locuteurs, d’excellentes performances dans les environnements bruyants, l’horodatage au niveau de chaque mot, l’identification automatique de la langue, le biaisage par mots-clés, l’alternance codique et des styles de transcription configurables (transcriptions propres sans mots de remplissage ou verbatim).

Les modèles suivants sont pris en charge :

  • MAI-Transcribe-2
  • MAI-Transcribe-1.5
  • MAI-Transcribe-1: déconseillé le 20 août 2026.

Conditions préalables

  • Un abonnement Azure. Vous pouvez en créer un gratuitement.
  • Une ressource Microsoft Foundry pour la reconnaissance vocale dans le portail Azure.
  • La clé de ressource et la région Speech. Une fois votre ressource Speech déployée, sélectionnez Accéder à la ressource pour afficher et gérer les clés. Pour obtenir la liste actuelle des régions prises en charge, consultez les régions du service Speech.
  • Fichier audio dans l’un de ces formats : WAV, MP3 ou FLAC. Pour connaître la taille de fichier maximale et la durée audio, consultez le audio paramètre dans la référence REST Transcriptions - Transcrire . Si vous activez la diarisation de l’orateur, consultez la note sur la longueur de l’enregistrement dans la section suivante.

Utiliser un modèle MAI-Transcribe

Utilisez MAI-Transcribe-2 pour générer des transcriptions à partir d’une entrée audio. Configurez les fonctionnalités suivantes via les paramètres d’API correspondants :

Fonctionnalité Paramètre Values Default Description
Sélection du modèle(obligatoire) enhancedMode.
model		 "MAI-Transcribe-2"  — Configuré pour appeler le modèle MAI‑Transcribe.
Mode amélioré(obligatoire) enhancedMode.
enabled		 true | false false Définissez sur true pour appeler MAI-Transcribe.
Diarisation des locuteurs diarization.
enabled		 true | false false Segmente l’enregistrement par intervenant et attribue chaque segment à la bonne personne. Retourne des segments associés à un locuteur avec les métadonnées speaker, offsetMilliseconds et durationMilliseconds. Prend en charge les enregistrements plus courts que la transcription sans diarisation ; consultez la note qui suit ce tableau.
horodatages de niveau Word modelOptions.
timestamps		 "word" | "segment" | "none" none Contrôle la granularité du minutage. "word" renvoie offsetMilliseconds et durationMilliseconds pour chaque mot, en activant l’alignement précis, la recherche, la navigation et la modification. "segment" retourne des informations de minutage pour chaque segment : la transcription de sortie est partitionnée en segments par langue et haut-parleur. Par conséquent, lorsque la diarisation est activée, un segment est créé pour chaque haut-parleur et langue, et lorsqu’il est désactivé, il est créé pour chaque langue. "none" omet les données de minutage.
Pondération des mots-clés phraseList.phrases Tableau de chaînes [] Oriente la reconnaissance vers les mots-clés fournis. Utilisez-les pour la terminologie spécifique à un domaine, les abréviations, les noms de produits et les noms propres qu’il est difficile de désambiguïser à partir du seul contexte. Les termes sont des indices, pas un résultat imposé.
Styles de transcription modelOptions.
transcribeStyle		 "verbatim" | "clean" "verbatim" Définit le style de sortie. "verbatim" capture la parole exactement telle qu’elle est prononcée, y compris les hésitations et les reprises, pour les tâches de conformité, de contrôle qualité et d’analyse. clean supprime les remplissages pour produire des légendes lisibles, des notes et des transcriptions publiées.
Sélection de la langue locales ["language_code"] Non spécifié (détection automatique) Permet de forcer la transcription dans une langue spécifique. Il s’agit d’un indicateur très fort pour le modèle et ne le spécifiez pas, sauf si vous êtes absolument certain que l’enregistrement se trouve dans la langue donnée et que la détection automatique par défaut ne fonctionne pas. Une seule langue peut être fournie ici. MAI-Transcribe-2 prend en charge 60 langues.
Changement de code Automatique — — Pour les paires de langages couramment fusionnées telles que Hinglish et Spanglish, gère les conversations qui se déplacent entre les langues au milieu de l’énoncé.
Robustesse du bruit Intrinsèque — — Maintient la qualité de la transcription pour les enregistrements audio réalisés en dehors d’environnements contrôlés, notamment en présence de bruit de fond, de paroles qui se chevauchent et d’une qualité variable des microphones.

Pour commencer à utiliser la transcription avec le mode amélioré, suivez d’abord le guide de démarrage rapide LLM Speech. Ensuite, spécifiez le Model.

Pour utiliser le modèle MAI-Transcribe :

  • Définissez la propriété enhancedMode.enabled sur true dans la requête.
  • Définissez la propriété enhancedMode.model sur "MAI-Transcribe-2" dans la requête.
  • Utilisez l’une des régions où MAI-Transcribe est disponible régions du service Speech.
curl --location 'https://YourResourceName.cognitiveservices.azure.com/speechtotext/transcriptions:transcribe?api-version=2025-10-15' \
--header 'Content-Type: multipart/form-data' \
--header 'Ocp-Apim-Subscription-Key: <YourSpeechResourceKey>' \
--form 'audio=@"YourAudioFile.wav"' \
--form 'definition={ 
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2"
  }
}'

Si vous le souhaitez, pour MAI-Transcribe-2, activez l’identification des locuteurs diarization afin de distinguer les différents locuteurs et d’attribuer les paroles à la bonne personne dans un enregistrement.

 --form 'definition={ 
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2"
  },
  "diarization": {"enabled": true}
}

Si vous le souhaitez, pour MAI-Transcribe-2, contrôlez le style de la transcription à l’aide de transcribeStyle. La sortie par défaut est verbatim si vous devez préserver le contenu oral brut, y compris les hésitations (« um », « uh »), les faux départs et les autocorrections. Définissez clean sur transcribeStyle si vous avez besoin d’une transcription optimisée pour la lisibilité, qui supprime les mots de remplissage et met automatiquement en forme les tournures courantes de l’oral.

 --form 'definition={ 
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2",
    "modelOptions": {
      "transcribeStyle": "clean"
    }
  }
}

Si vous le souhaitez, activez MAI-Transcribe-2 au niveau des mots timestamps afin de fournir un horodatage précis pour chaque mot et de permettre un alignement, une recherche, une navigation et une édition précis.

 --form 'definition={ 
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2",
    "modelOptions": {
      "timestamps": "word"
    }
  }
}

Si vous le souhaitez, ajoutez une liste d’expressions pour augmenter la précision dans des domaines spécialisés en utilisant phraseList.phrases. Cette fonctionnalité implémente le biais des mots clés.

 --form 'definition={ 
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2"
  }, 
  "phraseList": {
     "phrases": ["phrase 1", "phrase 2"]
   },
 }'

Si vous le souhaitez, spécifiez un code de langue dans locales pour forcer la reconnaissance dans une seule langue. Si vous ne spécifiez pas, le modèle détecte automatiquement la langue. Par exemple:

--form 'definition={
  "locales": ["en"],
  "enhancedMode": {
    "enabled": true,
    "model":"MAI-Transcribe-2"
  }
}'

Pour commencer à utiliser le modèle MAI-Transcribe, suivez d'abord le guide de démarrage rapide de l'API Speech Azure pour utiliser l'API de enhancedModetranscription rapide. Ensuite, spécifiez MAI-Transcribe-2 dans la enhancedMode.model propriété. Consultez le guide complet pour tous les paramètres pris en charge par MAI-Transcribe, actuellement uniquement disponible sous l’onglet API REST .

Pour commencer à utiliser le modèle MAI-Transcribe, suivez d'abord le guide de démarrage rapide de l'API Speech Azure pour utiliser l'API de enhancedModetranscription rapide. Ensuite, spécifiez MAI-Transcribe-2 dans la enhancedMode.model propriété. Consultez le guide complet pour tous les paramètres pris en charge par MAI-Transcribe, actuellement uniquement disponible sous l’onglet API REST .

Pour commencer à utiliser le modèle MAI-Transcribe, suivez d'abord le guide de démarrage rapide de l'API Speech Azure pour utiliser l'API de enhancedModetranscription rapide. Ensuite, spécifiez MAI-Transcribe-2 dans la enhancedMode.model propriété. Consultez le guide complet pour tous les paramètres pris en charge par MAI-Transcribe, actuellement uniquement disponible sous l’onglet API REST .

Pour commencer à utiliser le modèle MAI-Transcribe, suivez d'abord le guide de démarrage rapide de l'API Speech Azure pour utiliser l'API de enhancedModetranscription rapide. Ensuite, spécifiez MAI-Transcribe-2 dans la enhancedMode.model propriété. Pour obtenir un guide complet sur tous les paramètres pris en charge par MAI-Transcribe, consultez l’onglet API REST .

Prise en charge linguistique

Par défaut, le modèle fonctionne en mode multilingue. Les langues suivantes sont actuellement prises en charge :

Code de langue Langue Prise en charge de MAI-Transcribe-1.5 Prise en charge de MAI-Transcribe-2
af Afrikaans ✅
ar Arabe ✅ ✅
as Assamais ✅ ✅
az Azerbaïdjanais ✅
bg Bulgare ✅ ✅
bn bengali ✅ ✅
bs Bosnian ✅
ca Catalan ✅ ✅
cs Tchèque ✅ ✅
da Danois ✅ ✅
de Allemand ✅ ✅
el Grec ✅ ✅
en Anglais ✅ ✅
es Espagnol ✅ ✅
et Estonian ✅ ✅
fa Persan ✅
fi Finnois ✅ ✅
fil Filipino ✅
fr Français ✅ ✅
gl Galicien ✅
gu Gujarati ✅ ✅
he Hébreu ✅
hi Hindi ✅ ✅
hu Hongrois ✅ ✅
hy Arménien ✅
id Indonésien ✅ ✅
is Islandais ✅
it Italien ✅ ✅
ja Japonais ✅ ✅
kk Kazakh ✅
kn kannada ✅ ✅
ko Coréen ✅ ✅
lt Lithuanian ✅ ✅
lv Letton ✅
mk Macédonien ✅
ml Malayalam ✅ ✅
mr Marathi ✅ ✅
ms Malay ✅
nb ** Norvégien (Bokmål) ✅ ✅
ne Népalais ✅
nl Néerlandais ✅ ✅
or Odia ✅ ✅
pa Punjabi (écriture gourmoukhie) ✅ ✅
pl Polonais ✅ ✅
pt Portugais ✅ ✅
ro Roumain ✅ ✅
ru Russe ✅ ✅
sk Slovak ✅ ✅
sl Slovenian ✅ ✅
sv Suédois ✅ ✅
sw Swahili ✅
ta Tamil ✅ ✅
te Telugu ✅ ✅
th Thaï ✅ ✅
tr Turc ✅ ✅
uk Ukrainien ✅ ✅
ur Urdu ✅
vi Vietnamien ✅ ✅
yue Cantonais ✅
zh Chinois (simplifié) ✅ ✅

Utiliser MAI-Transcribe avec Voice Live

Vous pouvez également utiliser le modèle MAI-Transcribe pour la transcription audio d’entrée dans l’API Voice Live. Définissez le model champ dans la configuration de session input_audio_transcription . Pour plus d’informations, consultez Comment personnaliser l’entrée et la sortie Voice Live.

Contenu connexe

  • Dernière mise à jour :