AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro ist das Spracherkennungsmodell von AssemblyAI zur Umwandlung aufgezeichneter Sprache in Text. Im Sync-Profil ergibt ein kurzer Audioclip mit einer einzigen Antwort ein vollständiges Transkript. Das eignet sich für Sprachnachrichten, Push-to-Talk-Eingaben und einzelne Gesprächsbeiträge, bei denen die Anwendung bereits weiß, wann die Aufnahme enden soll.

Bereiten Sie die Audiodaten als begrenzten Clip vor. Die Sync-Anforderungen von AssemblyAI akzeptieren eine Dauer von 80 Millisekunden bis 120 Sekunden bei einer maximalen Dateigröße von 40 MB. Unterstützt werden WAV oder rohe, vorzeichenbehaftete 16-Bit-PCM-Daten in Little-Endian-Reihenfolge. Audio kann mono oder stereo sein; Stereo wird intern auf Mono heruntergemischt. Unterstützte Abtastraten sind 8, 16, 22,05, 24, 32, 44,1 und 48 kHz. Ein WAV-Header liefert Abtastrate und Kanalanzahl; bei rohem PCM müssen diese Werte separat in der Transkriptionskonfiguration angegeben werden.

Erfassen Sie die vollständige Äußerung und bewahren Sie Anfang und Ende der gesprochenen Passage. Eine sinnvolle Ausgangsaufgabe ist eine kurze Sprachnachricht an den Produktsupport mit einem Produktnamen, einer Bestellkennung und einem Anliegen. Bewahren Sie den Quellclip auf, damit sich das Transkript auf diese wichtigen Details prüfen lässt. Bereiten Sie bei einer längeren Aufnahme einen für Langformtranskription geeigneten Ablauf vor, statt die Dauergrenze für kurze Clips als Aussage zur gesamten Audiokapazität des Modells zu behandeln.

Das Ergebnis enthält das vollständige Transkript, eine Wortliste mit Konfidenzwerten pro Wort und einen Gesamtkonfidenzwert zwischen null und eins. Es liefert außerdem die Dauer der eingereichten Audiodatei und eine Anfragekennung, sodass der Text seinem ursprünglichen Clip zugeordnet bleiben kann. Nutzen Sie die Wortkonfidenz, um Stellen zu finden, die durch Anhören überprüft werden sollten, insbesondere für die Anwendung wichtige Namen, Zahlen und Fachbegriffe.

Wortzeitstempel sind optional und standardmäßig deaktiviert. Werden sie angefordert, kann jedes zeitlich zugeordnete Wort seinen Beginn und sein Ende in Millisekunden relativ zum Clipanfang enthalten. Das Herstellerprofil lässt diese Werte weg, wenn ein Wort nicht zeitlich zugeordnet werden kann, statt eine ungefähre Zeit zu erfinden. Die Zeitstempelgenauigkeit ist bei englischsprachigem Audio am höchsten. Halten Sie fehlende Zeitangaben bei der Vorbereitung von Worthervorhebungen, einer durchsuchbaren Wellenform oder einer Untertitelzuordnung ausdrücklich fest und vergleichen Sie den Text mit der Aufnahme, bevor Sie ihn als fertige Untertitelspur verwenden.

Ein Kontextprompt beschreibt, worum es in der Aufnahme geht. Er kann ein Fachgebiet, ein Szenario oder konkrete, der Anwendung bereits bekannte Details nennen und darf höchstens 6.000 Zeichen lang sein. Beginnen Sie mit einer kurzen, zum Audio passenden Beschreibung, etwa einem Gespräch mit dem technischen Support über ein bestimmtes Gerät. Der Prompt liefert Erkennungskontext; er ist keine Aufforderung, die Nachricht der sprechenden Person in ein anderes Dokument umzuschreiben.

Eine eigene Schlüsselbegriffsliste lenkt die Erkennung auf bestimmtes Vokabular. Das Sync-Profil akzeptiert bis zu 100 Begriffe und insgesamt 8.000 Zeichen in dieser Liste. Verwenden Sie die genaue Schreibweise ungewöhnlicher Namen, Akronyme oder Produktbegriffe und lassen Sie gewöhnliche, zuverlässig erkannte Wörter aus. Große oder unnötige Begriffslisten können Überkorrekturen auslösen; beschränken Sie die Liste deshalb auf Wörter, die in der Aufnahme wichtig sind. Kontextbeschreibung und Vokabularliste können gemeinsam verwendet werden.

Auch ein vorheriger Gesprächsverlauf kann helfen, eine kurze Antwort zu interpretieren. Stellen Sie frühere Äußerungen chronologisch von der ältesten bis zur jüngsten bereit; das aktuelle Audio bleibt dabei der zu transkribierende Beitrag. Das dokumentierte Kontextbudget beträgt 500 Beiträge oder insgesamt 16.000 Zeichen. Werden diese Grenzen oder der verfügbare Modellkontext überschritten, werden die ältesten Einträge zuerst entfernt. Das ist hilfreich, wenn eine kurze Antwort eine Kennung oder einen Verweis enthält, dessen Bedeutung aus der vorangehenden Frage stammt.

Die Sprachauswahl lenkt die Erkennung auf eine oder mehrere erwartete Sprachen. Die aktuelle Sync-Schnittstelle akzeptiert 32 Sprachcodes und verwendet ohne Auswahl standardmäßig Englisch. Listen Sie bei Audio mit Sprachwechseln die erwarteten Sprachen auf. Ein eigener Kontextprompt ersetzt den verwalteten Standard und überschreibt die separate Steuerung per Sprachcode; nennen Sie die erwarteten Sprachen daher in diesem Prompt, wenn sowohl Sprach- als auch Szenariokontext benötigt werden. Bewahren Sie das Transkript in den tatsächlich gesprochenen Sprachen, statt Transkription als Übersetzungsanweisung zu behandeln.

Das Modell kommt auch in anderen Transkriptionsabläufen von AssemblyAI vor; die Anforderungen für kurze Clips und die Ergebnisfelder des Sync-Profils gehören jedoch zu dieser konkreten Schnittstelle. Der Dictation-Ablauf des Herstellers ergänzt eine separate Textbereinigung; ein Transkript und eine umgeschriebene Nachricht sind unterschiedliche Ergebnisse. Bewahren Sie die erkannte Sprache auf, wenn ein späterer Bearbeitungs- oder Zusammenfassungsschritt eine bereinigte Fassung erzeugt, damit der ursprüngliche Wortlaut für Vergleiche verfügbar bleibt.

Nützliche Ergebnisse sind etwa eine transkribierte Sprachnachricht, ein vollständiger Gesprächsbeitrag für einen Assistenten, kurzer durchsuchbarer Audiotext oder eine Wortliste mit Zeitangaben für eine Prüfansicht. Prüfen Sie die entscheidenden Wörter anhand der Aufnahme, bewahren Sie fehlende zeitliche Zuordnungen und halten Sie den Clip mit dem zurückgegebenen Text verknüpft. Das Erkennungsergebnis liefert dem nächsten Anwendungsschritt eine quellenbezogene Transkription; das Beantworten des Anliegens oder Bearbeiten der Nachricht gehört zum umgebenden Ablauf.