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.
", "aboutText": "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.\n\nPréparez 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.\n\nCapturez 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.\n\nLe 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.\n\nLes 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.\n\nUn 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.\n\nUne 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.\n\nLa 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.\n\nLa 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.\n\nLe 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.\n\nLes 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6621d24be7ab6a46af452958c655068a1b5e08513eaea5ef5c5bacc5362f0fc4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "assemblyai/universal-3-5-proUniversal-3.5 Pro est le modèle de reconnaissance vocale d’AssemblyAI qui transforme un court clip audio en transcription complète en une seule réponse. Son profil Sync ajoute la confiance par mot, des horodatages facultatifs par mot, des indications de vocabulaire et le contexte des échanges précédents pour l’entrée vocale et les flux avec bouton de parole.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
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.
POST /v1/audio/transcriptionsaudiotext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites assemblyai/universal-3-5-pro | Par défaut— |
Champinput_audio | Typeobject | ExigenceObligatoire | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input_audio |
Paramètrematerial_types | Contrataudio |
Paramètrematerial_conditions | ContratL’exemple lit votre fichier PCM WAV réel et non vide, encode l’intégralité de ses octets en base64 et transmet input_audio.format avec la valeur wav. |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exact d’un enregistrement média existant dont vous êtes propriétaire
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Unité de facturation | Coût |
|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Unité de facturation— | Coût Entrée · Tokens en entrée — / 1K tokens Sortie · Tokens en sortie — / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| Configurationseconde d’audio en entrée | Barème tarifaire— | Unité de facturationpar seconde d’audio en entrée | Coût Entrée · seconde d’audio en entrée $0.00025 par seconde d’audio en entrée |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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.\nCorps de réponse d’origine complet, état et en-têtes transmis. Ce gestionnaire n’ajoute aucune structure JSON universelle, aucun champ de texte ni aucune enveloppe de tâche.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez la réponse complète et les en-têtes, chaque sortie effective, les identifiants initialement renvoyés et tous les champs d’utilisation. Récupérez l’opération d’origine sans soumettre à nouveau sa création.
Conservez la valeur réelle X-Client-Request-ID et la réponse complète. Consultez les ressources d’origine dont vous êtes propriétaire et leurs URL de contenu signées exactes ; ne soumettez jamais de nouveau une création incertaine.
| Champ | Type |
|---|---|
Champtext (when present) | Type |
Champusage (when present) | Type |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionLe corps JSON ou l’ID canonique explicite du modèle est invalide. | Étape suivanteConservez la réponse et corrigez le champ indiqué de la requête. |
Réponse401 · authentication_error | ConditionLa clé API Ailoot est invalide. | Étape suivanteUtilisez votre clé API Ailoot autorisée. |
Réponse403 · permission_error | ConditionLe groupe de la clé n’autorise pas cette méthode. | Étape suivanteConservez les détails de l’erreur renvoyés. |
Réponse404 · not_found_error | ConditionLa méthode sélectionnée ne dispose d’aucune route autorisée. | Étape suivanteConservez les détails de l’erreur renvoyés. |
Réponse422 · price_unavailable | ConditionLe tarif accepté ne permet pas d’obtenir la quantité d’entrée ou la borne requise. | Étape suivanteConservez la réponse ; utilisez la représentation d’entrée requise par le tarif accepté. |
Réponse503 · | ConditionLe stockage, la route, le tarif de la méthode ou la réservation requis est indisponible. | Étape suivanteConservez la réponse d’origine complète. Une réservation incertaine n’autorise pas une nouvelle soumission. |
Réponse502 · server_error | ConditionLe résultat, la consommation ou le règlement d’origine nécessite une vérification. | Étape suivanteConservez l’ID réel de la requête et la réponse d’origine. Consultez l’enregistrement existant dont vous êtes propriétaire ; ne soumettez pas de nouveau la création. |
Ailoot Ultra assemblyai/universal-3-5-pro
Utilisez les chemins de méthode indiqués ci-dessus.