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 de audio corto produce una transcripción completa en una respuesta. Esto encaja con mensajes de voz, entrada de pulsar para hablar y turnos de conversación separados en los que la aplicación ya sabe cuándo debe terminar la grabación.

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

Capture el enunciado completo y mantenga intactos el principio y el final del habla. Una tarea original útil es un mensaje de voz corto de soporte de producto que contenga un nombre de producto, un identificador de pedido y una solicitud. Conserve el clip original para que la transcripción pueda contrastarse con esos detalles importantes. Para una grabación más larga, prepare un flujo adecuado 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 individual 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. Utilice la confianza por palabra para localizar pasajes que merezcan una revisión mediante escucha, especialmente nombres, números y vocabulario de dominio importantes para la aplicación.

Las marcas temporales por palabra son opcionales y están desactivadas de forma predeterminada. Cuando se solicitan, cada palabra alineada puede incluir su inicio y fin en milisegundos relativos al comienzo del clip. El perfil del fabricante deja esos valores ausentes cuando una palabra no puede alinearse en lugar de inventar una temporización aproximada. La precisión temporal es mejor en audio en inglés. Conserve explícitamente las temporizaciones ausentes al preparar resaltado de palabras, una forma de onda con búsqueda o alineación de subtítulos, y compare el texto con la grabación antes de utilizarlo como una pista de subtítulos terminada.

Un prompt contextual describe de qué trata la grabación. Puede indicar un dominio, una situación o detalles específicos que la aplicación ya conoce, y su longitud máxima es de 6000 caracteres. Empiece por una descripción breve que encaje con el audio, como una conversación de soporte técnico sobre un dispositivo concreto. El prompt aporta contexto para el reconocimiento; no solicita reescribir el mensaje del hablante como un documento diferente.

Una lista separada de términos clave orienta el reconocimiento hacia vocabulario específico. El perfil Sync acepta hasta 100 términos y 8000 caracteres en el conjunto de esa lista. Utilice las grafías exactas de nombres poco comunes, siglas o términos de producto, y deje fuera las palabras corrientes que se reconocen bien. Las listas extensas o innecesarias pueden causar correcciones excesivas, por lo que conviene centrarlas en las palabras importantes de la grabación. La descripción contextual y la lista de vocabulario pueden utilizarse juntas.

La conversación anterior también puede ayudar a interpretar una respuesta breve. Proporcione los enunciados previos en orden cronológico, del más antiguo al más reciente, mientras el audio actual sigue siendo el turno que se transcribe. El presupuesto de contexto documentado es de 500 turnos o 16 000 caracteres en total. Si supera esos límites o el contexto disponible del modelo, se eliminan primero 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 varios idiomas esperados. La interfaz Sync actual acepta 32 códigos de idioma y utiliza inglés de forma predeterminada cuando no se proporciona una selección. Para audio que alterna idiomas, enumere los idiomas esperados. Un prompt contextual personalizado sustituye al predeterminado gestionado y prevalece sobre la orientación separada por códigos de idioma, por lo que debe indicar los idiomas esperados dentro de ese prompt cuando necesite tanto idioma como contexto de situación. Mantenga 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 concreta. El flujo Dictation del fabricante añade una etapa separada de limpieza de texto; una transcripción y un mensaje reescrito son artefactos diferentes. Conserve el habla reconocida si una etapa posterior de edición o resumen produce una versión depurada, para que la redacción original siga disponible para comparación.

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