AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro est le modèle de reconnaissance vocale d’AssemblyAI destiné à convertir la parole enregistrée en texte. Dans son profil Sync, un court extrait audio produit une transcription complète en une réponse. Il convient aux messages vocaux, à la saisie push-to-talk et aux tours de conversation 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 maximale de fichier de 40 MB. 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 mixée en interne en mono. 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 d’échantillonnage et le nombre de canaux ; pour du PCM brut, ces valeurs doivent être fournies séparément dans la configuration de transcription.

Enregistrez l’énoncé complet et préservez 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 l’extrait source afin de pouvoir vérifier la transcription sur ces détails importants. 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 affirmation sur la capacité audio globale du modèle.

Le résultat contient la transcription complète, une liste de mots avec un indice de confiance pour chacun et un indice de confiance global entre zéro et un. Il fournit également la durée de l’audio soumis et un identifiant de requête, ce qui permet de garder le texte associé à son extrait d’origine. Utilisez la confiance par mot pour localiser les passages qui méritent une vérification à l’écoute, en particulier les noms, les nombres et le vocabulaire métier importants pour l’application.

Les horodatages des mots 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 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 en anglais. Conservez explicitement les minutages manquants lors de la préparation d’un surlignage mot à mot, d’une forme d’onde avec recherche ou d’un alignement de sous-titres, et comparez le texte à l’enregistrement avant de l’utiliser comme piste de sous-titres terminée.

Un prompt contextuel décrit le sujet de l’enregistrement. Il 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 adaptée à l’audio, par exemple une conversation d’assistance technique sur un appareil particulier. Le prompt fournit un contexte de reconnaissance ; il ne demande pas de réécrire le message du locuteur sous la forme d’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 cette liste. Utilisez l’orthographe exacte des noms inhabituels, des acronymes ou des termes de produit, et excluez les mots courants bien reconnus. Des listes trop longues ou inutiles peuvent provoquer des corrections excessives : concentrez donc la liste sur les mots importants de l’enregistrement. La description du contexte 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. Le budget de contexte documenté est de 500 tours ou de 16 000 caractères au total. S’il dépasse ces plafonds ou le contexte disponible du modèle, les entrées les plus anciennes sont supprimées en premier. Cela est utile lorsqu’une brève réponse 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’aucune sélection n’est fournie. Pour un audio qui alterne les langues, listez les langues attendues. Un prompt contextuel personnalisé remplace le prompt par défaut géré et prend le pas sur l’orientation distincte par codes de langue : nommez donc les langues attendues dans ce prompt lorsque le contexte linguistique et le scénario sont tous deux nécessaires. Gardez la transcription dans les langues réellement parlées plutôt que 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, afin que la formulation originale reste disponible pour comparaison.

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