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.
", "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 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.\n\nPrepare 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.\n\nCapture 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.\n\nEl 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.\n\nLas 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.\n\nUn 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.\n\nUna 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.\n\nLa 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.\n\nLa 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.\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 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.\n\nLos 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2e5289b369ad39159aa8d32fdc6324ecabb2009e904ab8bfa06f6d4c7a704b01", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "assemblyai/universal-3-5-proUniversal-3.5 Pro es el modelo de voz a texto de AssemblyAI para convertir un clip de audio corto en una transcripción completa en una respuesta. Su perfil Sync añade confianza por palabra, marcas temporales opcionales, pistas de vocabulario y contexto de conversación anterior 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 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.
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 los bytes del archivo 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 existente de medios bajo tu titularidad
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 $0.00025 por segundo de audio de entrada |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 original completo de la respuesta, estado y cabeceras reenviadas. Este manejador no añade una estructura JSON universal, un campo de texto ni un contenedor de tarea.
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 las cabeceras, 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 bajo tu titularidad y sus URL firmadas exactas de contenido; no vuelvas a enviar nunca 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 es válido. | 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 tiene acceso a este método. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta404 · not_found_error | CondiciónEl método seleccionado no tiene ninguna 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 necesita. | Siguiente pasoConserva la respuesta; utiliza la representación de entrada exigida por la tarifa aceptada. |
Respuesta503 · | CondiciónEl almacenamiento, la ruta, el precio del método o la reserva necesarios no están disponibles. | Siguiente pasoConserva la respuesta original completa. Una reserva incierta no autoriza un reenvío. |
Respuesta502 · server_error | CondiciónEs necesario comprobar el resultado original, el uso o la liquidación. | Siguiente pasoConserva el ID real de solicitud y la respuesta original. Consulta el registro existente bajo tu titularidad; no vuelvas a enviar la solicitud de creación. |
Ailoot Ultra assemblyai/universal-3-5-pro
Usa las rutas de método indicadas arriba.