Universal-3.5 Pro je model rozpoznávání řeči AssemblyAI pro převod nahrané řeči na text. V profilu Sync z krátkého zvukového klipu vytvoří hotový přepis v jediné odpovědi. Hodí se pro hlasové zprávy, vstup push-to-talk a samostatné konverzační tahy, u nichž aplikace již ví, kdy má nahrávání skončit.
Zvuk připravte jako ohraničený klip. Požadavky AssemblyAI Sync přijímají délky od 80 milisekund do 120 sekund s maximální velikostí souboru 40 MB. Podporované formáty jsou WAV nebo surové PCM se znaménkem, 16 bity a pořadím bajtů little-endian. Zvuk může být mono nebo stereo, přičemž stereo se interně převádí do mono. Podporované vzorkovací frekvence jsou 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 32 kHz, 44,1 kHz a 48 kHz. Hlavička WAV dodává vzorkovací frekvenci a počet kanálů; surové PCM potřebuje tyto hodnoty dodat samostatně v konfiguraci přepisu.
Zachyťte celou promluvu a zachovejte nedotčený začátek i konec řeči. Praktickým původním zadáním je krátká hlasová zpráva produktové podpoře obsahující název produktu, identifikátor objednávky a požadavek. Zdrojový klip uchovejte, aby bylo možné přepis ověřit podle těchto důležitých detailů. Pro delší nahrávku připravte postup vhodný pro přepis dlouhých záznamů, místo abyste limit délky krátkého klipu považovali za tvrzení o celkové zvukové kapacitě modelu.
Výsledek obsahuje úplný přepis, seznam slov s mírou jistoty rozpoznání každého slova a celkovou míru jistoty mezi nulou a jedničkou. Poskytuje také délku odeslaného zvuku a identifikátor požadavku, takže je možné uchovat text ve spojení s původním klipem. Míru jistoty rozpoznání slov využijte k nalezení pasáží vyžadujících kontrolu poslechem, zejména názvů, čísel a oborové slovní zásoby důležitých pro aplikaci.
Časové značky slov jsou volitelné a ve výchozím stavu vypnuté. Při jejich vyžádání může každé zarovnané slovo nést začátek a konec v milisekundách vzhledem k začátku klipu. Profil výrobce tyto hodnoty vynechává, pokud slovo nelze zarovnat, místo aby vymýšlel přibližné časování. Přesnost časových značek je nejlepší pro anglický zvuk. Při přípravě zvýrazňování slov, prohledávatelného zobrazení zvukové vlny nebo zarovnání titulků chybějící časování výslovně zachovejte a před použitím jako hotové titulkové stopy porovnejte text s nahrávkou.
Kontextové zadání popisuje, o čem nahrávka je. Může pojmenovat obor, scénář nebo konkrétní detaily, které již aplikace zná, a jeho maximální délka je 6000 znaků. Začněte krátkým popisem odpovídajícím zvuku, například rozhovorem technické podpory o konkrétním zařízení. Zadání dodává kontext pro rozpoznávání; nejde o požadavek na přepsání sdělení mluvčího do jiného dokumentu.
Samostatný seznam klíčových termínů směruje rozpoznávání ke konkrétní slovní zásobě. Profil Sync přijímá až 100 termínů a 8000 znaků celkem v tomto seznamu. Používejte přesný zápis neobvyklých jmen, zkratek nebo produktových termínů a běžná dobře rozpoznávaná slova ze seznamu vynechte. Rozsáhlé nebo zbytečné seznamy mohou způsobit přehnané opravy, proto seznam zaměřte na slova důležitá v nahrávce. Kontextový popis a seznam slovní zásoby lze používat společně.
Předchozí konverzace může také pomoci vyložit krátkou odpověď. Dodejte dřívější promluvy chronologicky od nejstarší po nejnovější, zatímco aktuální zvuk zůstává tahem k přepisu. Dokumentovaný limit kontextu je 500 tahů nebo celkem 16 000 znaků. Pokud překročí tyto stropy nebo dostupný kontext modelu, odstraňují se nejprve nejstarší položky. To se hodí, když krátká odpověď obsahuje identifikátor nebo odkaz, jehož význam vychází z předchozí otázky.
Volba jazyka směruje rozpoznávání k jednomu nebo více očekávaným jazykům. Aktuální rozhraní Sync přijímá 32 jazykových kódů a při neuvedení volby používá angličtinu. U zvuku se střídáním jazyků uveďte očekávané jazyky. Vlastní kontextové zadání nahrazuje spravované výchozí zadání a přebíjí samostatné směrování jazykovými kódy, proto v něm pojmenujte očekávané jazyky, pokud potřebujete jazykový kontext i kontext scénáře. Přepis ponechte v jazycích, kterými se skutečně mluví, místo abyste přepis chápali jako pokyn k překladu.
Model se objevuje také v dalších postupech přepisu AssemblyAI, zatímco požadavky profilu Sync na krátké klipy a pole výsledku patří tomuto konkrétnímu rozhraní. Postup Dictation výrobce přidává samostatnou fázi úpravy textu; přepis a přeformulovaná zpráva jsou odlišné výstupy. Pokud pozdější úpravy nebo shrnutí vytvoří uhlazenou verzi, zachovejte rozpoznanou řeč, aby původní znění zůstalo dostupné pro srovnání.
Užitečné výstupy zahrnují přepsanou hlasovou zprávu, dokončený tah pro asistenta, krátký prohledávatelný přepis zvuku nebo časovaný seznam slov pro kontrolní rozhraní. Rozhodující slova ověřte podle nahrávky, zachovejte veškerá chybějící zarovnání a propojení klipu s vráceným textem. Výsledek rozpoznávání poskytuje dalšímu kroku aplikace přepis opřený o zdroj; odpověď na požadavek nebo úprava zprávy přísluší okolnímu postupu.
", "aboutText": "Universal-3.5 Pro je model rozpoznávání řeči AssemblyAI pro převod nahrané řeči na text. V profilu Sync z krátkého zvukového klipu vytvoří hotový přepis v jediné odpovědi. Hodí se pro hlasové zprávy, vstup push-to-talk a samostatné konverzační tahy, u nichž aplikace již ví, kdy má nahrávání skončit.\n\nZvuk připravte jako ohraničený klip. Požadavky AssemblyAI Sync přijímají délky od 80 milisekund do 120 sekund s maximální velikostí souboru 40 MB. Podporované formáty jsou WAV nebo surové PCM se znaménkem, 16 bity a pořadím bajtů little-endian. Zvuk může být mono nebo stereo, přičemž stereo se interně převádí do mono. Podporované vzorkovací frekvence jsou 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 32 kHz, 44,1 kHz a 48 kHz. Hlavička WAV dodává vzorkovací frekvenci a počet kanálů; surové PCM potřebuje tyto hodnoty dodat samostatně v konfiguraci přepisu.\n\nZachyťte celou promluvu a zachovejte nedotčený začátek i konec řeči. Praktickým původním zadáním je krátká hlasová zpráva produktové podpoře obsahující název produktu, identifikátor objednávky a požadavek. Zdrojový klip uchovejte, aby bylo možné přepis ověřit podle těchto důležitých detailů. Pro delší nahrávku připravte postup vhodný pro přepis dlouhých záznamů, místo abyste limit délky krátkého klipu považovali za tvrzení o celkové zvukové kapacitě modelu.\n\nVýsledek obsahuje úplný přepis, seznam slov s mírou jistoty rozpoznání každého slova a celkovou míru jistoty mezi nulou a jedničkou. Poskytuje také délku odeslaného zvuku a identifikátor požadavku, takže je možné uchovat text ve spojení s původním klipem. Míru jistoty rozpoznání slov využijte k nalezení pasáží vyžadujících kontrolu poslechem, zejména názvů, čísel a oborové slovní zásoby důležitých pro aplikaci.\n\nČasové značky slov jsou volitelné a ve výchozím stavu vypnuté. Při jejich vyžádání může každé zarovnané slovo nést začátek a konec v milisekundách vzhledem k začátku klipu. Profil výrobce tyto hodnoty vynechává, pokud slovo nelze zarovnat, místo aby vymýšlel přibližné časování. Přesnost časových značek je nejlepší pro anglický zvuk. Při přípravě zvýrazňování slov, prohledávatelného zobrazení zvukové vlny nebo zarovnání titulků chybějící časování výslovně zachovejte a před použitím jako hotové titulkové stopy porovnejte text s nahrávkou.\n\nKontextové zadání popisuje, o čem nahrávka je. Může pojmenovat obor, scénář nebo konkrétní detaily, které již aplikace zná, a jeho maximální délka je 6000 znaků. Začněte krátkým popisem odpovídajícím zvuku, například rozhovorem technické podpory o konkrétním zařízení. Zadání dodává kontext pro rozpoznávání; nejde o požadavek na přepsání sdělení mluvčího do jiného dokumentu.\n\nSamostatný seznam klíčových termínů směruje rozpoznávání ke konkrétní slovní zásobě. Profil Sync přijímá až 100 termínů a 8000 znaků celkem v tomto seznamu. Používejte přesný zápis neobvyklých jmen, zkratek nebo produktových termínů a běžná dobře rozpoznávaná slova ze seznamu vynechte. Rozsáhlé nebo zbytečné seznamy mohou způsobit přehnané opravy, proto seznam zaměřte na slova důležitá v nahrávce. Kontextový popis a seznam slovní zásoby lze používat společně.\n\nPředchozí konverzace může také pomoci vyložit krátkou odpověď. Dodejte dřívější promluvy chronologicky od nejstarší po nejnovější, zatímco aktuální zvuk zůstává tahem k přepisu. Dokumentovaný limit kontextu je 500 tahů nebo celkem 16 000 znaků. Pokud překročí tyto stropy nebo dostupný kontext modelu, odstraňují se nejprve nejstarší položky. To se hodí, když krátká odpověď obsahuje identifikátor nebo odkaz, jehož význam vychází z předchozí otázky.\n\nVolba jazyka směruje rozpoznávání k jednomu nebo více očekávaným jazykům. Aktuální rozhraní Sync přijímá 32 jazykových kódů a při neuvedení volby používá angličtinu. U zvuku se střídáním jazyků uveďte očekávané jazyky. Vlastní kontextové zadání nahrazuje spravované výchozí zadání a přebíjí samostatné směrování jazykovými kódy, proto v něm pojmenujte očekávané jazyky, pokud potřebujete jazykový kontext i kontext scénáře. Přepis ponechte v jazycích, kterými se skutečně mluví, místo abyste přepis chápali jako pokyn k překladu.\n\nModel se objevuje také v dalších postupech přepisu AssemblyAI, zatímco požadavky profilu Sync na krátké klipy a pole výsledku patří tomuto konkrétnímu rozhraní. Postup Dictation výrobce přidává samostatnou fázi úpravy textu; přepis a přeformulovaná zpráva jsou odlišné výstupy. Pokud pozdější úpravy nebo shrnutí vytvoří uhlazenou verzi, zachovejte rozpoznanou řeč, aby původní znění zůstalo dostupné pro srovnání.\n\nUžitečné výstupy zahrnují přepsanou hlasovou zprávu, dokončený tah pro asistenta, krátký prohledávatelný přepis zvuku nebo časovaný seznam slov pro kontrolní rozhraní. Rozhodující slova ověřte podle nahrávky, zachovejte veškerá chybějící zarovnání a propojení klipu s vráceným textem. Výsledek rozpoznávání poskytuje dalšímu kroku aplikace přepis opřený o zdroj; odpověď na požadavek nebo úprava zprávy přísluší okolnímu postupu.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "329da3bf2f537f1a107b7d9e086cba8a0aaf2a9dd37c421ced7c01fb90b752c9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "assemblyai/universal-3-5-proUniversal-3.5 Pro je model AssemblyAI pro převod řeči na text, který z krátkého zvukového klipu vrací hotový přepis v jedné odpovědi. Profil Sync přidává míru jistoty rozpoznání jednotlivých slov, volitelné časové značky slov, vodítka ke slovní zásobě a kontext předchozí konverzace pro hlasové vstupy a postupy push-to-talk.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Universal-3.5 Pro je model rozpoznávání řeči AssemblyAI pro převod nahrané řeči na text. V profilu Sync z krátkého zvukového klipu vytvoří hotový přepis v jediné odpovědi. Hodí se pro hlasové zprávy, vstup push-to-talk a samostatné konverzační tahy, u nichž aplikace již ví, kdy má nahrávání skončit.
Zvuk připravte jako ohraničený klip. Požadavky AssemblyAI Sync přijímají délky od 80 milisekund do 120 sekund s maximální velikostí souboru 40 MB. Podporované formáty jsou WAV nebo surové PCM se znaménkem, 16 bity a pořadím bajtů little-endian. Zvuk může být mono nebo stereo, přičemž stereo se interně převádí do mono. Podporované vzorkovací frekvence jsou 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 32 kHz, 44,1 kHz a 48 kHz. Hlavička WAV dodává vzorkovací frekvenci a počet kanálů; surové PCM potřebuje tyto hodnoty dodat samostatně v konfiguraci přepisu.
Zachyťte celou promluvu a zachovejte nedotčený začátek i konec řeči. Praktickým původním zadáním je krátká hlasová zpráva produktové podpoře obsahující název produktu, identifikátor objednávky a požadavek. Zdrojový klip uchovejte, aby bylo možné přepis ověřit podle těchto důležitých detailů. Pro delší nahrávku připravte postup vhodný pro přepis dlouhých záznamů, místo abyste limit délky krátkého klipu považovali za tvrzení o celkové zvukové kapacitě modelu.
Výsledek obsahuje úplný přepis, seznam slov s mírou jistoty rozpoznání každého slova a celkovou míru jistoty mezi nulou a jedničkou. Poskytuje také délku odeslaného zvuku a identifikátor požadavku, takže je možné uchovat text ve spojení s původním klipem. Míru jistoty rozpoznání slov využijte k nalezení pasáží vyžadujících kontrolu poslechem, zejména názvů, čísel a oborové slovní zásoby důležitých pro aplikaci.
Časové značky slov jsou volitelné a ve výchozím stavu vypnuté. Při jejich vyžádání může každé zarovnané slovo nést začátek a konec v milisekundách vzhledem k začátku klipu. Profil výrobce tyto hodnoty vynechává, pokud slovo nelze zarovnat, místo aby vymýšlel přibližné časování. Přesnost časových značek je nejlepší pro anglický zvuk. Při přípravě zvýrazňování slov, prohledávatelného zobrazení zvukové vlny nebo zarovnání titulků chybějící časování výslovně zachovejte a před použitím jako hotové titulkové stopy porovnejte text s nahrávkou.
Kontextové zadání popisuje, o čem nahrávka je. Může pojmenovat obor, scénář nebo konkrétní detaily, které již aplikace zná, a jeho maximální délka je 6000 znaků. Začněte krátkým popisem odpovídajícím zvuku, například rozhovorem technické podpory o konkrétním zařízení. Zadání dodává kontext pro rozpoznávání; nejde o požadavek na přepsání sdělení mluvčího do jiného dokumentu.
Samostatný seznam klíčových termínů směruje rozpoznávání ke konkrétní slovní zásobě. Profil Sync přijímá až 100 termínů a 8000 znaků celkem v tomto seznamu. Používejte přesný zápis neobvyklých jmen, zkratek nebo produktových termínů a běžná dobře rozpoznávaná slova ze seznamu vynechte. Rozsáhlé nebo zbytečné seznamy mohou způsobit přehnané opravy, proto seznam zaměřte na slova důležitá v nahrávce. Kontextový popis a seznam slovní zásoby lze používat společně.
Předchozí konverzace může také pomoci vyložit krátkou odpověď. Dodejte dřívější promluvy chronologicky od nejstarší po nejnovější, zatímco aktuální zvuk zůstává tahem k přepisu. Dokumentovaný limit kontextu je 500 tahů nebo celkem 16 000 znaků. Pokud překročí tyto stropy nebo dostupný kontext modelu, odstraňují se nejprve nejstarší položky. To se hodí, když krátká odpověď obsahuje identifikátor nebo odkaz, jehož význam vychází z předchozí otázky.
Volba jazyka směruje rozpoznávání k jednomu nebo více očekávaným jazykům. Aktuální rozhraní Sync přijímá 32 jazykových kódů a při neuvedení volby používá angličtinu. U zvuku se střídáním jazyků uveďte očekávané jazyky. Vlastní kontextové zadání nahrazuje spravované výchozí zadání a přebíjí samostatné směrování jazykovými kódy, proto v něm pojmenujte očekávané jazyky, pokud potřebujete jazykový kontext i kontext scénáře. Přepis ponechte v jazycích, kterými se skutečně mluví, místo abyste přepis chápali jako pokyn k překladu.
Model se objevuje také v dalších postupech přepisu AssemblyAI, zatímco požadavky profilu Sync na krátké klipy a pole výsledku patří tomuto konkrétnímu rozhraní. Postup Dictation výrobce přidává samostatnou fázi úpravy textu; přepis a přeformulovaná zpráva jsou odlišné výstupy. Pokud pozdější úpravy nebo shrnutí vytvoří uhlazenou verzi, zachovejte rozpoznanou řeč, aby původní znění zůstalo dostupné pro srovnání.
Užitečné výstupy zahrnují přepsanou hlasovou zprávu, dokončený tah pro asistenta, krátký prohledávatelný přepis zvuku nebo časovaný seznam slov pro kontrolní rozhraní. Rozhodující slova ověřte podle nahrávky, zachovejte veškerá chybějící zarovnání a propojení klipu s vráceným textem. Výsledek rozpoznávání poskytuje dalšímu kroku aplikace přepis opřený o zdroj; odpověď na požadavek nebo úprava zprávy přísluší okolnímu postupu.
POST /v1/audio/transcriptionsaudiotext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity assemblyai/universal-3-5-pro | Výchozí— |
Poleinput_audio | Typobject | PožadavekPovinné | Hodnoty a limity | Výchozí— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input_audio |
Parametrmaterial_types | Kontraktaudio |
Parametrmaterial_conditions | KontraktPříklad načte váš skutečný neprázdný soubor PCM WAV, zakóduje všechny jeho bajty do base64 a odešle input_audio.format s hodnotou wav. |
Životní cyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · přesné task_id z existujícího záznamu média spravovaného službou
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Účtovací jednotka | Poplatek |
|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Účtovací jednotka— | Poplatek Vstup · Vstupní tokeny — / 1K tokenů Výstup · Výstupní tokeny — / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| Konfiguracesekunda vstupního zvuku | Tabulka sazeb— | Účtovací jednotkaza sekundu vstupního zvuku | Poplatek Vstup · sekunda vstupního zvuku $0.00025 za sekundu vstupního zvuku |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'assemblyai/universal-3-5-pro', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nCelé původní tělo odpovědi, stav a předané hlavičky. Tento obslužný kód nepřidává žádnou univerzální strukturu JSON, textové pole ani obalovou strukturu úlohy.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Uchovejte úplnou odpověď a hlavičky, všechny skutečné výstupy, původní vrácené identifikátory a všechna pole s údaji o využití. Obnovte původní operaci bez opětovného odeslání požadavku na vytvoření.
Uchovejte skutečné X-Client-Request-ID a celou odpověď. Načítejte původní soubory spravované službou a jejich přesné podepsané URL obsahu; vytvoření s nejistým výsledkem nikdy znovu neodesílejte.
| Pole | Typ |
|---|---|
Poletext (when present) | Typ |
Poleusage (when present) | Typ |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaTělo JSON nebo explicitně uvedené kanonické ID modelu jsou neplatné. | Další krokUchovejte odpověď a opravte označené pole požadavku. |
Odpověď401 · authentication_error | PodmínkaKlíč API Ailoot je neplatný. | Další krokPoužijte svůj autorizovaný klíč API Ailoot. |
Odpověď403 · permission_error | PodmínkaSkupina klíče nemá přístup k této metodě. | Další krokUchovejte vrácené podrobnosti chyby. |
Odpověď404 · not_found_error | PodmínkaVybraná metoda nemá žádnou trasu s povoleným přístupem. | Další krokUchovejte vrácené podrobnosti chyby. |
Odpověď422 · price_unavailable | PodmínkaPřijatý tarif nedokáže získat potřebné vstupní množství nebo jeho horní mez. | Další krokUchovejte odpověď; použijte způsob zadání vstupu požadovaný přijatým tarifem. |
Odpověď503 · | PodmínkaPotřebné úložiště, trasa, cena metody nebo rezervace nejsou dostupné. | Další krokUchovejte celou původní odpověď. Nejasná rezervace neopravňuje k opětovnému odeslání. |
Odpověď502 · server_error | PodmínkaPůvodní výsledek, údaje o využití nebo vyúčtování vyžadují kontrolu. | Další krokUchovejte skutečné ID požadavku a původní odpověď. Načítejte existující záznam spravovaný službou; požadavek na vytvoření znovu neodesílejte. |
Ailoot Ultra assemblyai/universal-3-5-pro
Použijte cesty metod uvedené výše.