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 extrait audio produit une transcription complète dans une seule réponse. Cela convient aux messages vocaux, à la saisie en mode « appuyer pour parler » et aux tours conversationnels distincts où l’application sait déjà quand l’enregistrement doit se terminer.

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

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

Le résultat contient la transcription complète, une liste de mots avec un niveau de confiance pour chacun et un niveau de confiance global entre zéro et un. Il fournit aussi la durée audio soumise et un identifiant de demande, ce qui permet de garder le texte associé à son extrait original. Utilisez la confiance par mot pour repérer les passages à réécouter, surtout les noms, les nombres et le vocabulaire de domaine importants pour l’application.

Les horodatages des mots sont facultatifs et désactivés par défaut. Sur demande, chaque mot aligné peut porter son début et sa fin en millisecondes par rapport au début de l’extrait. Le profil du fabricant 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. Conservez explicitement les minutages manquants lorsque vous préparez la surbrillance des mots, une forme d’onde consultable par recherche ou l’alignement de sous-titres, et comparez le texte à l’enregistrement avant de l’utiliser comme piste de sous-titres terminée.

Une invite contextuelle décrit le sujet de l’enregistrement. Elle peut nommer un domaine, un scénario ou des détails précis déjà connus de l’application, et sa longueur maximale est de 6000 caractères. Commencez par une courte description qui correspond à l’audio, comme une conversation d’assistance technique sur un appareil précis. L’invite fournit un contexte de reconnaissance; ce n’est pas une demande de réécrire le message du locuteur en un autre document.

Une liste distincte de termes clés oriente la reconnaissance vers un vocabulaire précis. Le profil Sync accepte jusqu’à 100 termes et 8000 caractères pour l’ensemble de la liste. Utilisez l’orthographe exacte des noms inhabituels, des acronymes ou des termes de produit, et excluez les mots courants déjà bien reconnus. Les listes trop longues ou inutiles peuvent entraîner des corrections excessives; concentrez-vous donc sur les mots importants dans l’enregistrement. La description contextuelle et la liste de vocabulaire peuvent être utilisées ensemble.

La conversation antérieure peut aussi aider à interpréter une réponse courte. Fournissez les énoncés précédents dans l’ordre chronologique, du plus ancien au plus récent, tandis que l’audio actuel reste le tour à transcrire. L’allocation de contexte documentée est de 500 tours ou de 16 000 caractères au total. Si elle dépasse ces plafonds ou le contexte disponible du modèle, les entrées les plus anciennes sont supprimées en premier. Cela 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 lorsqu’aucun choix n’est fourni. Pour un audio qui alterne entre les langues, énumérez les langues attendues. Une invite contextuelle personnalisée remplace la valeur par défaut gérée et prévaut sur l’orientation distincte par codes de langue; nommez donc les langues attendues dans cette invite lorsque le contexte linguistique et le scénario sont tous deux nécessaires. Gardez la transcription dans les langues réellement parlées au lieu de traiter la transcription comme une instruction de traduction.

Le modèle apparaît aussi dans d’autres processus de transcription AssemblyAI, tandis que les exigences d’extraits courts et les champs de résultat du profil Sync appartiennent à cette interface particulière. Le processus Dictation du fabricant ajoute une étape distincte 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, pour que la formulation originale reste disponible pour comparaison.

Les livrables utiles comprennent un message vocal transcrit, un tour terminé pour un assistant, un court texte audio consultable par recherche ou une liste de mots horodatés pour une interface de révision. Vérifiez les mots décisifs à partir de l’enregistrement, conservez les alignements manquants et gardez le lien entre l’extrait et le texte renvoyé. Le résultat de reconnaissance donne à l’étape suivante de l’application une transcription fondée sur la source; répondre à la demande ou réviser le message relève du processus environnant.