AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro est le modèle de reconnaissance vocale d’AssemblyAI pour convertir la parole enregistrée en texte. Dans son profil Sync, un court clip audio produit une transcription complète en une réponse. Cela 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 comme un clip 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 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 d’échantillonnage et le nombre de canaux ; le PCM brut nécessite ces valeurs séparément dans la configuration de transcription.

Capturez l’énoncé complet et gardez intacts le début et la fin de la parole. Un exemple de 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 selon ces détails importants. Pour un enregistrement plus long, préparez un parcours adapté à la transcription longue plutôt que de traiter la limite de durée des clips courts comme une capacité audio générale du modèle.

Le résultat contient la transcription complète, une liste de mots avec une confiance par mot et une confiance globale entre zéro et un. Il fournit aussi la durée de l’audio soumis et un identifiant de demande, permettant de garder le texte associé à son clip d’origine. Utilisez la confiance par mot pour repérer les passages qui méritent une réécoute, notamment les noms, nombres et termes métier importants pour l’application.

Les horodatages des mots sont facultatifs et désactivés par défaut. Lorsqu’ils sont demandés, chaque mot aligné peut avoir 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 horodatage approximatif. La précision des horodatages est meilleure pour l’audio anglais. Conservez explicitement les horodatages manquants lors de la préparation d’un surlignage des mots, d’une forme d’onde interrogeable ou d’un alignement de sous-titres, et comparez le texte avec 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 ; ce n’est pas une demande de réécrire le message de la personne dans un autre document.

Une liste séparée de termes clés oriente la reconnaissance vers un vocabulaire spécifique. Le profil Sync accepte jusqu’à 100 termes et 8000 caractères dans l’ensemble de cette liste. Utilisez l’orthographe exacte des noms inhabituels, acronymes ou termes de produits et laissez hors de la liste les mots courants bien reconnus. Les listes de termes volumineuses ou inutiles peuvent provoquer des corrections excessives : 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 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 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. 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 lorsqu’aucune sélection n’est fournie. Pour un audio alternant les langues, listez les langues attendues. Un prompt contextuel personnalisé remplace le prompt géré par défaut et prend le pas sur l’orientation séparée par codes de langue : nommez donc les langues attendues dans ce prompt lorsque le contexte de langue et de 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 parcours de transcription AssemblyAI, tandis que les exigences de clips courts et les champs de résultat du profil Sync appartiennent à cette interface particulière. Le parcours 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 terminé pour un assistant, un court texte audio interrogeable ou une liste de mots horodatés pour une interface de révision. Vérifiez les mots décisifs à partir de l’enregistrement, préservez les éventuels alignements manquants et gardez le clip lié au texte renvoyé. Le résultat de reconnaissance fournit à l’étape applicative suivante une transcription étayée par sa source ; répondre à la demande ou modifier le message relève du parcours qui l’entoure.