AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro ist das Spracherkennungsmodell von AssemblyAI zur Umwandlung aufgezeichneter Sprache in Text. In seinem Sync-Profil erzeugt ein kurzer Audioclip mit einer einzigen Antwort ein fertiges Transkript. Das eignet sich für Sprachnachrichten, Push-to-talk-Eingaben und einzelne Gesprächsschritte, 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. Unterstützte Formate sind WAV oder rohes vorzeichenbehaftetes 16-Bit-Little-Endian-PCM. Audio kann mono oder stereo sein; Stereo wird intern 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.

Nehmen Sie die vollständige Äußerung auf und bewahren Sie Anfang und Ende der Sprache unverändert. Eine hilfreiche Ausgangsaufgabe ist eine kurze Sprachnachricht an den Produktsupport mit Produktname, Bestellkennung und Anliegen. Bewahren Sie den Quellclip auf, damit sich diese wichtigen Details im Transkript prüfen lassen. Bereiten Sie für eine längere Aufnahme einen für Langformtranskription geeigneten Ablauf vor, statt die Dauergrenze für kurze Clips als Aussage zur modellweiten Audiokapazität zu behandeln.

Das Ergebnis enthält das vollständige Transkript, eine Wortliste mit Konfidenzwerten je Wort und einen Gesamtkonfidenzwert zwischen null und eins. Es liefert außerdem die Dauer der eingereichten Audiodaten und eine Anfragekennung, sodass der Text mit seinem Originalclip verbunden bleiben kann. Verwenden Sie die Wortkonfidenz, um Passagen zu finden, die noch einmal angehört werden sollten, insbesondere Namen, Zahlen und Fachvokabular, die für die Anwendung wichtig sind.

Wortzeitstempel sind optional und standardmäßig deaktiviert. Auf Anfrage kann jedes zugeordnete Wort seinen Anfang und sein Ende in Millisekunden relativ zum Clipbeginn enthalten. Kann ein Wort nicht zeitlich zugeordnet werden, lässt das Herstellerprofil diese Werte weg, statt eine ungefähre Zeit zu erfinden. Die Zeitstempel sind bei englischsprachigem Audio am genauesten. Halten Sie fehlende Zeitangaben beim Vorbereiten von Worthervorhebung, einer durchsuchbaren Wellenform oder Untertitelausrichtung 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 6000 Zeichen umfassen. Beginnen Sie mit einer kurzen, zum Audio passenden Beschreibung, etwa einem technischen Supportgespräch über ein bestimmtes Gerät. Der Prompt liefert Erkennungskontext; er ist keine Aufforderung, die Nachricht des Sprechers in ein anderes Dokument umzuschreiben.

Eine separate Schlüsselbegriffsliste lenkt die Erkennung auf bestimmtes Vokabular. Das Sync-Profil akzeptiert bis zu 100 Begriffe und insgesamt 8000 Zeichen in dieser Liste. Verwenden Sie genaue Schreibweisen für ungewöhnliche Namen, Akronyme oder Produktbegriffe und lassen Sie gewöhnliche, gut erkannte Wörter weg. Umfangreiche oder unnötige Begriffslisten können Überkorrekturen verursachen; beschränken Sie die Liste deshalb auf die in der Aufnahme wichtigen Wörter. Kontextbeschreibung und Vokabularliste lassen sich gemeinsam verwenden.

Auch der bisherige Dialog kann helfen, eine kurze Antwort zu interpretieren. Geben Sie frühere Äußerungen chronologisch von der ältesten zur neuesten an, während das aktuelle Audio der zu transkribierende Gesprächsschritt bleibt. Das dokumentierte Kontextbudget beträgt 500 Gesprächsschritte oder insgesamt 16.000 Zeichen. Überschreitet es diese Grenzen oder den verfügbaren Modellkontext, werden die ältesten Einträge zuerst entfernt. Das ist hilfreich, wenn eine kurze Antwort eine Kennung oder einen Verweis enthält, dessen Bedeutung aus der vorhergehenden Frage stammt.

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

Das Modell wird auch in anderen Transkriptionsabläufen von AssemblyAI eingesetzt, während die Anforderungen an kurze Clips und die Ergebnisfelder des Sync-Profils zu genau dieser Schnittstelle gehören. Der Dictation-Ablauf des Herstellers ergänzt eine separate Textbereinigungsphase; 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 eine transkribierte Sprachnachricht, ein fertiger Gesprächsschritt für einen Assistenten, kurzer durchsuchbarer Audiotext oder eine Wortliste mit Zeitangaben für eine Prüfansicht. Gleichen Sie die entscheidenden Wörter mit der Aufnahme ab, bewahren Sie fehlende Zuordnungen und halten Sie den Clip mit dem zurückgegebenen Text verknüpft. Das Erkennungsergebnis liefert dem nächsten Anwendungsschritt eine auf die Quelle gestützte Transkription; das Beantworten des Anliegens oder Bearbeiten der Nachricht gehört zum umgebenden Ablauf.