AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro est le modèle de reconnaissance vocale d’AssemblyAI qui convertit la parole enregistrée en texte. Dans son profil Sync, un court clip audio produit une transcription complète en une seule réponse. Cela convient aux messages vocaux, à l’entrée avec bouton de parole et aux tours conversationnels distincts où l’application sait déjà quand l’enregistrement doit se terminer.

Préparez l’audio sous forme de clip délimité. Les exigences Sync d’AssemblyAI acceptent des durées de 80 millisecondes à 120 secondes, avec une taille de fichier maximale de 40 Mo. Les formats pris en charge sont WAV ou PCM brut signé 16 bits little-endian. L’audio peut être mono ou stéréo, la stéréo étant convertie en mono en interne. Les fréquences d’échantillonnage prises en charge sont 8, 16, 22,05, 24, 32, 44,1 et 48 kHz. Un en-tête WAV fournit la fréquence et le nombre de canaux ; le PCM brut exige de fournir ces valeurs séparément dans la configuration de transcription.

Capturez l’énoncé complet et gardez intacts le début et la fin de la parole. Une tâche originale utile est un court message vocal d’assistance produit contenant un nom de produit, un identifiant de commande et une demande. Conservez le clip source pour vérifier la transcription sur ces détails importants. Pour un enregistrement plus long, préparez un flux adapté à la transcription longue plutôt que de traiter la limite de durée des clips courts comme une capacité audio globale du modèle.

Le résultat contient la transcription complète, une liste de mots avec leur confiance individuelle et une confiance globale entre zéro et un. Il fournit également la durée de l’audio envoyé et un identifiant de demande, permettant de conserver le lien entre le texte et son clip original. Utilisez la confiance par mot pour repérer les passages à réécouter, notamment les noms, les nombres et le vocabulaire métier importants pour l’application.

Les horodatages par mot sont facultatifs et désactivés par défaut. Lorsqu’ils sont demandés, chaque mot aligné peut comporter son début et sa fin en millisecondes par rapport au début du clip. Le profil du concepteur laisse ces valeurs absentes lorsqu’un mot ne peut pas être aligné, plutôt que d’inventer un minutage approximatif. La précision des horodatages est meilleure pour l’audio anglais. Préservez explicitement les minutages manquants lors de la préparation d’une surbrillance des mots, d’une forme d’onde consultable ou d’un alignement de sous-titres, et comparez le texte à l’enregistrement avant de l’utiliser comme piste de sous-titres finalisée.

Un prompt contextuel décrit le sujet de l’enregistrement. Il peut nommer un domaine, un scénario ou des détails spécifiques déjà connus de l’application, et sa longueur maximale est de 6000 caractères. Commencez par une courte description correspondant à l’audio, par exemple une conversation d’assistance technique sur un appareil précis. Le prompt fournit un contexte de reconnaissance ; il ne demande pas de réécrire le message du locuteur dans un autre document.

Une liste de termes clés séparée oriente la reconnaissance vers un vocabulaire spécifique. Le profil Sync accepte jusqu’à 100 termes et 8000 caractères pour l’ensemble de la liste. Utilisez l’orthographe exacte des noms inhabituels, acronymes ou termes de produit, et écartez les mots ordinaires bien reconnus. Des listes trop grandes ou inutiles peuvent provoquer des surcorrections : concentrez donc la liste sur les mots importants dans l’enregistrement. La description du contexte et la liste de vocabulaire peuvent être utilisées ensemble.

La conversation antérieure peut aussi aider à interpréter une courte réponse. Fournissez les énoncés précédents dans l’ordre chronologique, du plus ancien au plus récent, tandis que l’audio actuel reste le tour à transcrire. Le budget de contexte documenté est de 500 tours ou 16 000 caractères au total. S’il dépasse ces plafonds ou le contexte disponible du modèle, les entrées les plus anciennes sont supprimées d’abord. C’est utile lorsqu’une réponse brève contient un identifiant ou une référence dont le sens vient de la question précédente.

La sélection de langue oriente la reconnaissance vers une ou plusieurs langues attendues. L’interface Sync actuelle accepte 32 codes de langue et utilise l’anglais par défaut si aucune sélection n’est fournie. Pour un audio alternant les langues, listez les langues attendues. Un prompt contextuel personnalisé remplace le prompt par défaut géré et prime sur l’orientation séparée par codes de langue : nommez donc les langues attendues dans ce prompt lorsque le contexte linguistique et celui du scénario sont nécessaires. Gardez la transcription dans les langues réellement parlées plutôt que de traiter la transcription comme une consigne de traduction.

Le modèle apparaît aussi dans d’autres flux de transcription d’AssemblyAI, tandis que les exigences de clips courts et les champs de résultat du profil Sync appartiennent à cette interface particulière. Le flux Dictation du concepteur ajoute une étape séparée de nettoyage du texte ; une transcription et un message réécrit sont des livrables différents. Préservez la parole reconnue si une étape ultérieure de révision ou de résumé produit une version nettoyée, afin que la formulation originale reste disponible pour comparaison.

Les livrables utiles comprennent un message vocal transcrit, un tour complet pour un assistant, le texte consultable d’un court audio ou une liste de mots horodatés pour une interface de relecture. Vérifiez les mots décisifs à partir de l’enregistrement, préservez les alignements manquants et gardez le clip lié au texte renvoyé. Le résultat de reconnaissance fournit à l’étape applicative suivante une transcription étayée par la source ; répondre à la demande ou modifier le message relève du flux qui l’entoure.