AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro er AssemblyAI’s talegenkendelsesmodel til at konvertere optaget tale til tekst. I Sync-profilen producerer et kort lydklip en færdig transskription i ét svar. Det passer til talebeskeder, push-to-talk-input og særskilte samtaleture, hvor applikationen allerede ved, hvornår optagelsen skal slutte.

Forbered lyden som et afgrænset klip. AssemblyAI’s Sync-krav accepterer varigheder fra 80 millisekunder til 120 sekunder med en maksimal filstørrelse på 40 MB. De understøttede formater er WAV eller rå 16-bit PCM med fortegn i little-endian-format. Lyd kan være mono eller stereo, hvor stereo internt nedmikses. Understøttede samplingfrekvenser er 8, 16, 22,05, 24, 32, 44,1 og 48 kHz. En WAV-header angiver samplingfrekvens og antal kanaler; rå PCM kræver, at disse værdier angives separat i transskriptionskonfigurationen.

Optag hele ytringen, og bevar begyndelsen og slutningen af talen intakt. En nyttig selvstændig opgave er en kort talebesked til produktsupport med et produktnavn, en ordreidentifikator og en anmodning. Gem kildeklippet, så transskriptionen kan kontrolleres mod disse vigtige detaljer. Til en længere optagelse skal du forberede et forløb egnet til længere transskription frem for at behandle varighedsgrænsen for korte klip som en påstand om modellens samlede lydkapacitet.

Resultatet indeholder den fulde transskription, en ordliste med konfidens pr. ord og en samlet konfidens mellem nul og én. Det angiver også den indsendte lydvarighed og en anmodningsidentifikator, så teksten kan holdes knyttet til sit oprindelige klip. Brug ordkonfidens til at lokalisere passager, der fortjener gennemlytning, især navne, tal og fagord, der betyder noget for applikationen.

Ordtidsstempler er valgfrie og slået fra som standard. Når der anmodes om dem, kan hvert tidsjusteret ord have start og slut i millisekunder i forhold til klippets begyndelse. Producentens profil udelader disse værdier, når et ord ikke kan tidsjusteres, frem for at opfinde en omtrentlig timing. Tidsstemplernes nøjagtighed er bedst til engelsk lyd. Bevar manglende tidspunkter eksplicit, når du forbereder ordmarkering, en søgbar bølgeform eller undertekstjustering, og sammenlign teksten med optagelsen, før den bruges som et færdigt undertekstspor.

En kontekstprompt beskriver, hvad optagelsen handler om. Den kan angive et fagområde, et scenarie eller bestemte detaljer, som applikationen allerede kender, og dens maksimale længde er 6000 tegn. Begynd med en kort beskrivelse, der passer til lyden, såsom en teknisk supportsamtale om en bestemt enhed. Prompten leverer genkendelseskontekst; den er ikke en anmodning om at omskrive talerens besked til et andet dokument.

En separat keyterm-liste styrer genkendelsen mod bestemt ordforråd. Sync-profilen accepterer op til 100 termer og 8000 tegn på tværs af listen. Brug nøjagtig stavning til usædvanlige navne, akronymer eller produkttermer, og udelad almindelige, velgenkendte ord. Store eller unødvendige termlister kan give overkorrektioner, så fokusér listen på ord, der betyder noget i optagelsen. Kontekstbeskrivelsen og ordforrådslisten kan bruges sammen.

Tidligere samtale kan også hjælpe med at fortolke et kort svar. Vedlæg tidligere ytringer i kronologisk rækkefølge fra ældst til nyest, mens den aktuelle lyd forbliver turen, der transskriberes. Den dokumenterede kontekstramme er 500 ture eller 16.000 tegn i alt. Hvis den overskrider disse lofter eller den tilgængelige modelkontekst, fjernes de ældste poster først. Det er nyttigt, når et kort svar indeholder en identifikator eller en henvisning, hvis betydning kommer fra det foregående spørgsmål.

Sprogvalg styrer genkendelsen mod ét eller flere forventede sprog. Den aktuelle Sync-grænseflade accepterer 32 sprogkoder og bruger engelsk som standard, når intet valg angives. Til lyd med sprogskift skal du angive de forventede sprog. En brugerdefineret kontekstprompt erstatter den administrerede standard og tilsidesætter den separate styring med sprogkoder, så angiv de forventede sprog inde i prompten, når både sprog- og scenariekontekst behøves. Bevar transskriptionen på de sprog, der faktisk tales, frem for at behandle transskription som en oversættelsesinstruktion.

Modellen optræder også i andre AssemblyAI-transskriptionsforløb, mens Sync-profilens krav til korte klip og resultatfelter tilhører netop denne grænseflade. Producentens Dictation-forløb tilføjer et separat trin til tekstoprydning; en transskription og en omskrevet besked er forskellige slutprodukter. Bevar den genkendte tale, hvis et senere redigerings- eller opsummeringstrin producerer en renset version, så den oprindelige ordlyd fortsat er tilgængelig til sammenligning.

Nyttige leverancer omfatter en transskriberet talebesked, en færdig tur til en assistent, kort søgbar lydtekst eller en tidsangivet ordliste til en gennemgangsgrænseflade. Kontrollér de afgørende ord mod optagelsen, bevar eventuelle manglende tidsjusteringer, og hold klippet knyttet til den returnerede tekst. Genkendelsesresultatet giver næste applikationstrin en kildeunderbygget transskription; besvarelse af anmodningen eller redigering af beskeden tilhører det omgivende forløb.