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.
", "aboutText": "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.\n\nPrepara 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.\n\nCaptura 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.\n\nEl 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.\n\nLas 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.\n\nUn 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.\n\nUna 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.\n\nLa 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.\n\nLa 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.\n\nEl 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.\n\nLos 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f52af7ce6283c3ce7489d6b0d3b1387398b39f0eb49aa7193e50e33a951c43da", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "assemblyai/universal-3-5-proUniversal-3.5 Pro es el modelo de voz a texto de AssemblyAI para convertir un clip corto de audio en una transcripción completa en una respuesta. Su perfil Sync añade confianza por palabra, marcas de tiempo opcionales por palabra, pistas de vocabulario y contexto de conversación previa para entrada de voz y flujos de pulsar para hablar.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites assemblyai/universal-3-5-pro | Predeterminado— |
Campoinput_audio | Tipoobject | RequisitoObligatorio | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input_audio |
Parámetromaterial_types | Contratoaudio |
Parámetromaterial_conditions | ContratoEl ejemplo lee tu archivo PCM WAV real y no vacío, codifica todos sus bytes en base64 y envía input_audio.format con el valor wav. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exacto de un registro multimedia existente que te pertenece
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Unidad de facturación | Cargo |
|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| Configuraciónsegundo de audio de entrada | Tabla de tarifas— | Unidad de facturaciónpor segundo de audio de entrada | Cargo Entrada · segundo de audio de entrada $0.00025 por segundo de audio de entrada |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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.\nCuerpo completo de la respuesta original, estado y encabezados reenviados. Este manejador no agrega una estructura JSON universal, un campo de texto ni una estructura contenedora de tareas.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID real y la respuesta completa. Consulta los recursos originales que te pertenecen y sus URL exactas de contenido firmadas; nunca vuelvas a enviar una creación incierta.
| Campo | Tipo |
|---|---|
Campotext (when present) | Tipo |
Campousage (when present) | Tipo |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónEl cuerpo JSON o el ID canónico explícito del modelo no son válidos. | Siguiente pasoConserva la respuesta y corrige el campo indicado de la solicitud. |
Respuesta401 · authentication_error | CondiciónLa clave API de Ailoot no es válida. | Siguiente pasoUsa tu clave API autorizada de Ailoot. |
Respuesta403 · permission_error | CondiciónEl grupo de la clave no admite este método. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta404 · not_found_error | CondiciónEl método seleccionado no tiene una ruta admitida. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta422 · price_unavailable | CondiciónLa tarifa aceptada no puede obtener la cantidad de entrada o el límite que requiere. | Siguiente pasoConserva la respuesta; usa la representación de entrada que requiere la tarifa aceptada. |
Respuesta503 · | CondiciónEl almacenamiento requerido, la ruta, el precio del método o la reserva de fondos no están disponibles. | Siguiente pasoConserva la respuesta original completa. Una reserva incierta no autoriza un reenvío. |
Respuesta502 · server_error | CondiciónEl resultado original, el uso o la liquidación del cargo requieren verificación. | Siguiente pasoConserva el ID real de solicitud y la respuesta original. Consulta el registro existente que te pertenece; no vuelvas a enviar la creación. |
Ailoot Ultra assemblyai/universal-3-5-pro
Usa las rutas de método indicadas arriba.