AssemblyAI: Universal-3.5 Pro

Το Universal-3.5 Pro είναι το μοντέλο αναγνώρισης ομιλίας της AssemblyAI για μετατροπή ηχογραφημένης ομιλίας σε κείμενο. Στο προφίλ Sync, ένα σύντομο ηχητικό απόσπασμα παράγει ολοκληρωμένη απομαγνητοφώνηση με μία απάντηση. Αυτό ταιριάζει σε φωνητικά μηνύματα, είσοδο push-to-talk και διακριτές παρεμβάσεις συνομιλίας όπου η εφαρμογή γνωρίζει ήδη πότε πρέπει να τελειώσει η εγγραφή.

Προετοιμάστε τον ήχο ως οριοθετημένο απόσπασμα. Οι απαιτήσεις Sync της AssemblyAI δέχονται διάρκεια από 80 χιλιοστά του δευτερολέπτου έως 120 δευτερόλεπτα, με μέγιστο μέγεθος αρχείου 40 MB. Οι υποστηριζόμενες μορφές είναι WAV ή ακατέργαστο PCM με πρόσημο, 16 bit και σειρά byte little-endian. Ο ήχος μπορεί να είναι μονοφωνικός ή στερεοφωνικός, με εσωτερική μίξη του στερεοφωνικού σε μονοφωνικό. Οι υποστηριζόμενοι ρυθμοί δειγματοληψίας είναι 8, 16, 22.05, 24, 32, 44.1 και 48 kHz. Μια κεφαλίδα WAV παρέχει τον ρυθμό δειγματοληψίας και τον αριθμό καναλιών· το ακατέργαστο PCM χρειάζεται αυτές τις τιμές χωριστά στη διαμόρφωση απομαγνητοφώνησης.

Καταγράψτε ολόκληρη την εκφώνηση και διατηρήστε ακέραια την αρχή και το τέλος της ομιλίας. Μια χρήσιμη πρωτότυπη εργασία είναι ένα σύντομο φωνητικό μήνυμα υποστήριξης προϊόντος που περιέχει όνομα προϊόντος, αναγνωριστικό παραγγελίας και αίτημα. Διατηρήστε το αρχικό απόσπασμα ώστε η απομαγνητοφώνηση να μπορεί να ελεγχθεί ως προς αυτές τις σημαντικές λεπτομέρειες. Για μεγαλύτερη εγγραφή, προετοιμάστε ροή κατάλληλη για απομαγνητοφώνηση μεγάλης διάρκειας αντί να αντιμετωπίζετε το όριο διάρκειας σύντομων αποσπασμάτων ως ισχυρισμό για τη συνολική ηχητική χωρητικότητα του μοντέλου.

Το αποτέλεσμα περιέχει ολόκληρη την απομαγνητοφώνηση, λίστα λέξεων με βαθμό εμπιστοσύνης ανά λέξη και συνολικό βαθμό εμπιστοσύνης από το μηδέν έως το ένα. Παρέχει επίσης τη διάρκεια του υποβληθέντος ήχου και αναγνωριστικό αιτήματος, επιτρέποντας να κρατάτε το κείμενο συνδεδεμένο με το αρχικό του απόσπασμα. Χρησιμοποιήστε τον βαθμό εμπιστοσύνης λέξεων για να εντοπίσετε αποσπάσματα που αξίζουν ακουστικό έλεγχο, ιδίως ονόματα, αριθμούς και λεξιλόγιο πεδίου που έχουν σημασία για την εφαρμογή.

Οι χρονικές σημάνσεις λέξεων είναι προαιρετικές και απενεργοποιημένες από προεπιλογή. Όταν ζητούνται, κάθε ευθυγραμμισμένη λέξη μπορεί να φέρει αρχή και τέλος σε χιλιοστά του δευτερολέπτου ως προς την αρχή του αποσπάσματος. Το προφίλ του δημιουργού αφήνει αυτές τις τιμές απούσες όταν μια λέξη δεν μπορεί να ευθυγραμμιστεί, αντί να επινοεί κατά προσέγγιση χρονισμό. Η ακρίβεια χρονικών σημάνσεων είναι καλύτερη για αγγλικό ήχο. Διατηρήστε ρητά τους χρονισμούς που λείπουν όταν προετοιμάζετε επισήμανση λέξεων, κυματομορφή με δυνατότητα αναζήτησης ή ευθυγράμμιση υποτίτλων και συγκρίνετε το κείμενο με την εγγραφή πριν το χρησιμοποιήσετε ως ολοκληρωμένο κανάλι υποτίτλων.

Μια προτροπή πλαισίου περιγράφει το θέμα της εγγραφής. Μπορεί να ονομάζει πεδίο, σενάριο ή συγκεκριμένες λεπτομέρειες που γνωρίζει ήδη η εφαρμογή και το μέγιστο μήκος της είναι 6000 χαρακτήρες. Ξεκινήστε με σύντομη περιγραφή που ταιριάζει στον ήχο, όπως συνομιλία τεχνικής υποστήριξης για συγκεκριμένη συσκευή. Η προτροπή παρέχει πλαίσιο αναγνώρισης· δεν είναι αίτημα να ξαναγραφτεί το μήνυμα του ομιλητή ως διαφορετικό έγγραφο.

Μια ξεχωριστή λίστα βασικών όρων κατευθύνει την αναγνώριση προς συγκεκριμένο λεξιλόγιο. Το προφίλ Sync δέχεται έως 100 όρους και 8000 χαρακτήρες συνολικά σε αυτή τη λίστα. Χρησιμοποιήστε ακριβή ορθογραφία για ασυνήθιστα ονόματα, ακρωνύμια ή όρους προϊόντων και αφήστε έξω από τη λίστα τις συνηθισμένες λέξεις που αναγνωρίζονται καλά. Μεγάλες ή περιττές λίστες όρων μπορούν να προκαλέσουν υπερδιορθώσεις, επομένως εστιάστε τη λίστα στις λέξεις που έχουν σημασία στην εγγραφή. Η περιγραφή πλαισίου και η λίστα λεξιλογίου μπορούν να χρησιμοποιούνται μαζί.

Η προηγούμενη συνομιλία μπορεί επίσης να βοηθά στην ερμηνεία σύντομης απάντησης. Δώστε τις προηγούμενες εκφωνήσεις με χρονολογική σειρά, από την παλαιότερη στη νεότερη, ενώ ο τρέχων ήχος παραμένει η παρέμβαση που απομαγνητοφωνείται. Το τεκμηριωμένο όριο πλαισίου είναι 500 παρεμβάσεις ή 16 000 χαρακτήρες συνολικά. Αν υπερβαίνει αυτά τα όρια ή το διαθέσιμο πλαίσιο μοντέλου, αφαιρούνται πρώτα οι παλαιότερες εγγραφές. Αυτό είναι χρήσιμο όταν μια σύντομη απάντηση περιέχει αναγνωριστικό ή αναφορά της οποίας το νόημα προέρχεται από το προηγούμενο ερώτημα.

Η επιλογή γλώσσας κατευθύνει την αναγνώριση προς μία ή περισσότερες αναμενόμενες γλώσσες. Η τρέχουσα διεπαφή Sync δέχεται 32 κωδικούς γλώσσας και έχει προεπιλογή τα αγγλικά όταν δεν παρέχεται επιλογή. Για ήχο με εναλλαγή γλωσσών, απαριθμήστε τις αναμενόμενες γλώσσες. Μια προσαρμοσμένη προτροπή πλαισίου αντικαθιστά τη διαχειριζόμενη προεπιλογή και υπερισχύει της ξεχωριστής καθοδήγησης κωδικών γλώσσας, επομένως ονομάστε τις αναμενόμενες γλώσσες μέσα σε αυτή την προτροπή όταν χρειάζονται τόσο γλωσσικό πλαίσιο όσο και πλαίσιο σεναρίου. Κρατήστε την απομαγνητοφώνηση στις γλώσσες που πραγματικά ομιλούνται αντί να αντιμετωπίζετε την απομαγνητοφώνηση ως οδηγία μετάφρασης.

Το μοντέλο εμφανίζεται επίσης σε άλλες ροές απομαγνητοφώνησης της AssemblyAI, ενώ οι απαιτήσεις σύντομων αποσπασμάτων και τα πεδία αποτελέσματος του προφίλ Sync ανήκουν σε αυτή τη συγκεκριμένη διεπαφή. Η ροή Dictation του δημιουργού προσθέτει ξεχωριστό στάδιο καθαρισμού κειμένου· μια απομαγνητοφώνηση και ένα ξαναγραμμένο μήνυμα είναι διαφορετικά παραδοτέα. Διατηρήστε την αναγνωρισμένη ομιλία αν ένα μεταγενέστερο βήμα επεξεργασίας ή σύνοψης παράγει καθαρισμένη εκδοχή, ώστε η αρχική διατύπωση να παραμένει διαθέσιμη για σύγκριση.

Χρήσιμα παραδοτέα περιλαμβάνουν απομαγνητοφωνημένο φωνητικό μήνυμα, ολοκληρωμένο μήνυμα για έναν βοηθό, σύντομο κείμενο απομαγνητοφώνησης με δυνατότητα αναζήτησης ή χρονοσημασμένη λίστα λέξεων για διεπαφή ελέγχου. Ελέγξτε τις καθοριστικές λέξεις ως προς την εγγραφή, διατηρήστε τυχόν ευθυγραμμίσεις που λείπουν και κρατήστε το απόσπασμα συνδεδεμένο με το επιστρεφόμενο κείμενο. Το αποτέλεσμα αναγνώρισης δίνει στο επόμενο βήμα της εφαρμογής μια απομαγνητοφώνηση που υποστηρίζεται από την πηγή· η απάντηση στο αίτημα ή η επεξεργασία του μηνύματος ανήκει στην περιβάλλουσα ροή εργασίας.