AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro es el modelo de reconocimiento de voz de AssemblyAI para convertir voz grabada en texto. En su perfil Sync, un clip corto de audio produce una transcripción completa en una respuesta. Esto se adapta a mensajes de voz, entrada de pulsar para hablar y turnos de conversación discretos en los que la aplicación ya sabe cuándo debe terminar la grabación.

Prepara el audio como un clip acotado. Los requisitos Sync de AssemblyAI aceptan duraciones de 80 milisegundos a 120 segundos, con un tamaño máximo de archivo de 40 MB. Los formatos compatibles son WAV o PCM sin encabezado con signo de 16 bits y orden little-endian. El audio puede ser mono o estéreo, y el estéreo se mezcla internamente a mono. Las frecuencias de muestreo admitidas son 8, 16, 22.05, 24, 32, 44.1 y 48 kHz. Un encabezado WAV proporciona la frecuencia de muestreo y la cantidad de canales; PCM sin encabezado necesita que esos valores se proporcionen por separado en la configuración de transcripción.

Captura la intervención completa y conserva intactos el inicio y el final del habla. Una tarea original útil es un mensaje corto de voz de soporte de producto que contenga un nombre de producto, un identificador de pedido y una solicitud. Conserva el clip de origen para comprobar la transcripción frente a esos detalles importantes. Para una grabación más larga, prepara un flujo apropiado para transcripción extensa en lugar de tratar el límite de duración de clips cortos como una afirmación de capacidad de audio de todo el modelo.

El resultado contiene la transcripción completa, una lista de palabras con confianza por palabra y una confianza global entre cero y uno. También proporciona la duración del audio enviado y un identificador de solicitud, lo que permite mantener el texto asociado a su clip original. Usa la confianza por palabra para localizar pasajes que merezcan revisión auditiva, especialmente nombres, números y vocabulario de dominio importantes para la aplicación.

Las marcas de tiempo por palabra son opcionales y están desactivadas de forma predeterminada. Cuando se solicitan, cada palabra alineada puede incluir su inicio y final en milisegundos respecto al comienzo del clip. El perfil del creador deja ausentes esos valores cuando una palabra no se puede alinear, en lugar de inventar tiempos aproximados. La precisión de las marcas de tiempo es mejor para audio en inglés. Conserva explícitamente los tiempos faltantes al preparar resaltado de palabras, una forma de onda con búsqueda o alineación de subtítulos, y compara el texto con la grabación antes de usarlo como una pista de subtítulos terminada.

Un prompt contextual describe de qué trata la grabación. Puede indicar un dominio, un escenario o detalles específicos que la aplicación ya conoce, y su longitud máxima es de 6000 caracteres. Comienza con una descripción corta que se ajuste al audio, como una conversación de soporte técnico sobre un dispositivo concreto. El prompt aporta contexto de reconocimiento; no es una solicitud para reescribir el mensaje de quien habla como un documento distinto.

Una lista separada de términos clave orienta el reconocimiento hacia vocabulario específico. El perfil Sync acepta hasta 100 términos y 8000 caracteres en toda esa lista. Usa la ortografía exacta de nombres inusuales, siglas o términos de producto y deja fuera de la lista las palabras comunes que se reconocen bien. Las listas de términos grandes o innecesarias pueden causar correcciones excesivas, así que enfoca la lista en palabras importantes para la grabación. La descripción contextual y la lista de vocabulario se pueden usar juntas.

La conversación previa también puede ayudar a interpretar una respuesta corta. Proporciona las intervenciones anteriores en orden cronológico, de la más antigua a la más reciente, mientras que el audio actual sigue siendo el turno que se transcribe. La capacidad de contexto documentada es de 500 turnos o 16,000 caracteres en total. Si supera esos límites o el contexto disponible del modelo, primero se eliminan las entradas más antiguas. Esto resulta útil cuando una respuesta breve contiene un identificador o una referencia cuyo significado procede de la pregunta anterior.

La selección de idioma orienta el reconocimiento hacia uno o más idiomas esperados. La interfaz Sync actual acepta 32 códigos de idioma y usa inglés de forma predeterminada cuando no se proporciona una selección. Para audio que alterna idiomas, enumera los idiomas esperados. Un prompt contextual personalizado sustituye el predeterminado administrado y anula la orientación separada de códigos de idioma, así que indica los idiomas esperados dentro de ese prompt cuando se necesiten tanto idioma como contexto del escenario. Mantén la transcripción en los idiomas realmente hablados en lugar de tratar la transcripción como una instrucción de traducción.

El modelo también aparece en otros flujos de transcripción de AssemblyAI, mientras que los requisitos de clips cortos y los campos de resultado del perfil Sync pertenecen a esta interfaz particular. El flujo Dictation del creador añade una etapa separada de limpieza de texto; una transcripción y un mensaje reescrito son recursos distintos. Conserva el habla reconocida si un paso posterior de edición o resumen produce una versión depurada, para que la redacción original siga disponible para comparar.

Los entregables útiles incluyen un mensaje de voz transcrito, un turno completo para un asistente, texto corto de audio con búsqueda o una lista de palabras con tiempos para una interfaz de revisión. Comprueba las palabras decisivas frente a la grabación, conserva cualquier alineación faltante y mantén el clip vinculado al texto devuelto. El resultado de reconocimiento proporciona al siguiente paso de la aplicación una transcripción respaldada por la fuente; responder la solicitud o editar el mensaje corresponde al flujo que lo rodea.