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.
", "aboutText": "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.\n\nBereiten 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.\n\nErfassen 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.\n\nDas 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.\n\nWortzeitstempel 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.\n\nEin 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.\n\nEine 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.\n\nAuch 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.\n\nDie 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.\n\nDas 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.\n\nNützliche 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e8a0fbd3e26f722360a85a10918d8f5c0e745999c60e8724074ef13b8d947313", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "assemblyai/universal-3-5-proUniversal-3.5 Pro ist das Speech-to-Text-Modell von AssemblyAI, das einen kurzen Audioclip mit einer einzigen Antwort in ein vollständiges Transkript umwandelt. Sein Sync-Profil ergänzt Konfidenzwerte pro Wort, optionale Wortzeitstempel, Vokabularhinweise und bisherigen Gesprächskontext für Spracheingaben und Push-to-Talk-Abläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
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.
POST /v1/audio/transcriptionsaudiotext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits assemblyai/universal-3-5-pro | Standard— |
Feldinput_audio | Typobject | AnforderungErforderlich | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input_audio |
Parametermaterial_types | Vertragaudio |
Parametermaterial_conditions | VertragDas Beispiel liest Ihre tatsächliche, nicht leere PCM-WAV-Datei, kodiert die vollständigen Dateibytes als base64 und übermittelt input_audio.format als wav. |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · exakte task_id aus einem bestehenden, Ihnen zugeordneten Mediendatensatz
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Abrechnungseinheit | Gebühr |
|---|---|---|---|
| KonfigurationBasistarife für Tokens | TarifstaffelGrundtarif | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken — / 1K Tokens Ausgabe · Ausgabetoken — / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAudioeingabesekunde | Tarifstaffel— | Abrechnungseinheitpro Sekunde Eingabeaudio | Gebühr Eingabe · Audioeingabesekunde $0.00025 pro Sekunde Eingabeaudio |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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.\nVollständiger ursprünglicher Antwortinhalt, Status und weitergeleitete Header. Dieser Handler fügt weder ein allgemeingültiges JSON-Format noch ein Textfeld oder eine äußere Aufgabenstruktur hinzu.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Die vollständige Antwort und ihre Header, jede tatsächliche Ausgabe, die ursprünglich zurückgegebenen Kennungen und alle Nutzungsfelder aufbewahren. Den ursprünglichen Vorgang wiederaufnehmen, ohne die Erstellung erneut anzufordern.
Bewahren Sie die tatsächliche X-Client-Request-ID und die vollständige Antwort auf. Lesen Sie die ursprünglichen, Ihnen zugeordneten Assets und deren exakte signierte Inhalts-URLs; übermitteln Sie eine Erstellung mit unklarem Ergebnis niemals erneut.
| Feld | Typ |
|---|---|
Feldtext (when present) | Typ |
Feldusage (when present) | Typ |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungDer JSON-Inhalt oder die explizite kanonische Modell-ID ist ungültig. | Nächster SchrittBewahren Sie die Antwort auf und korrigieren Sie das angegebene Anfragefeld. |
Antwort401 · authentication_error | BedingungDer Ailoot API-Schlüssel ist ungültig. | Nächster SchrittVerwenden Sie Ihren autorisierten Ailoot API-Schlüssel. |
Antwort403 · permission_error | BedingungDie Schlüsselgruppe lässt diese Methode nicht zu. | Nächster SchrittBewahren Sie die zurückgegebenen Fehlerdetails auf. |
Antwort404 · not_found_error | BedingungFür die ausgewählte Methode ist keine Route zugelassen. | Nächster SchrittBewahren Sie die zurückgegebenen Fehlerdetails auf. |
Antwort422 · price_unavailable | BedingungDer akzeptierte Tarif kann seine erforderliche Eingabemenge oder Obergrenze nicht ermitteln. | Nächster SchrittBewahren Sie die Antwort auf; verwenden Sie die vom akzeptierten Tarif erforderte Eingabedarstellung. |
Antwort503 · | BedingungErforderlicher Speicher, Route, Methodenpreis oder Reservierung ist nicht verfügbar. | Nächster SchrittBewahren Sie die vollständige ursprüngliche Antwort auf. Eine unklare Reservierung berechtigt nicht zur erneuten Übermittlung. |
Antwort502 · server_error | BedingungDas ursprüngliche Ergebnis, der Verbrauch oder die Abrechnung muss geprüft werden. | Nächster SchrittBewahren Sie die tatsächliche Anfrage-ID und die ursprüngliche Antwort auf. Lesen Sie den bestehenden, Ihnen zugeordneten Datensatz; übermitteln Sie die Erstellung nicht erneut. |
Ailoot Ultra assemblyai/universal-3-5-pro
Verwenden Sie die oben angezeigten Methodenpfade.