AssemblyAI: Universal-3.5 Pro

A Universal-3.5 Pro az AssemblyAI beszédfelismerő modellje rögzített beszéd szöveggé alakításához. Sync profiljában egy rövid hangklip egyetlen válaszban kész átiratot eredményez. Hangüzenetekhez, push-to-talk bemenethez és különálló beszélgetési fordulókhoz illik, amikor az alkalmazás már tudja, mikor kell véget érnie a felvételnek.

A hangot lehatárolt klipként készítse elő. Az AssemblyAI Sync követelményei 80 milliszekundum és 120 másodperc közötti időtartamot fogadnak, legfeljebb 40 MB fájlmérettel. A támogatott formátumok WAV vagy nyers, előjeles, 16 bites little-endian PCM. A hang monó vagy sztereó lehet; a sztereót belsőleg lekeveri. A támogatott mintavételi frekvenciák 8, 16, 22,05, 24, 32, 44,1 és 48 kHz. A WAV-fejléc megadja a mintavételi frekvenciát és a csatornaszámot; nyers PCM esetén ezeket az átírási konfigurációban külön kell megadni.

Rögzítse a teljes megszólalást, és a beszéd eleje és vége maradjon sértetlen. Hasznos önálló feladat lehet egy rövid terméktámogatási hangüzenet, amely terméknevet, rendelésazonosítót és kérést tartalmaz. Őrizze meg a forrásklipet, hogy az átirat e fontos részletek alapján ellenőrizhető legyen. Hosszabb felvételhez hosszú hanganyagok átírására alkalmas munkafolyamatot készítsen elő, ne kezelje a rövid klip időtartamkorlátját a modell teljes hangkapacitására vonatkozó állításként.

Az eredmény tartalmazza a teljes átiratot, szavankénti megbízhatóságot tartalmazó szólistát és nulla és egy közötti összesített megbízhatóságot. A beküldött hang időtartamát és kérésazonosítót is ad, így a szöveg az eredeti kliphez kapcsolva tartható. A szavankénti megbízhatósággal keresse meg a visszahallgatásos ellenőrzést igénylő részleteket, különösen az alkalmazás szempontjából fontos neveket, számokat és szakterületi szókincset.

A szóidőbélyegek opcionálisak és alapértelmezésben ki vannak kapcsolva. Kérésük esetén minden illesztett szóhoz tartozhat kezdő és záró idő milliszekundumban, a klip elejéhez viszonyítva. A gyártó profilja hiányzóként hagyja ezeket az értékeket, ha egy szó nem illeszthető, nem talál ki hozzá megközelítő időzítést. Az időbélyeg-pontosság angol hangnál a legjobb. Szókiemelés, kereshető hullámforma vagy feliratillesztés előkészítésekor őrizze meg explicit módon a hiányzó időzítéseket, és a kész feliratsávként történő használat előtt vesse össze a szöveget a felvétellel.

A kontextusprompt leírja, miről szól a felvétel. Megnevezhet szakterületet, helyzetet vagy az alkalmazás által már ismert konkrét részleteket, maximális hossza 6000 karakter. Rövid, a hanghoz illő leírással kezdjen, például egy adott eszközről szóló műszaki támogatási beszélgetéssel. A prompt felismerési kontextust ad; nem arra kéri a modellt, hogy a beszélő üzenetét másféle dokumentummá írja át.

A külön kulcskifejezés-lista meghatározott szókincs felé tereli a felismerést. A Sync profil legfeljebb 100 kifejezést és a teljes listában 8000 karaktert fogad el. Szokatlan nevekhez, betűszavakhoz vagy termékkifejezésekhez pontos írásmódot használjon, a hétköznapi, jól felismert szavakat pedig hagyja ki. A nagy vagy szükségtelen kifejezéslisták túlzott javításokat okozhatnak, ezért a listát a felvételben fontos szavakra összpontosítsa. A kontextusleírás és a szókincslista együtt is használható.

A korábbi beszélgetés egy rövid válasz értelmezését is segítheti. A korábbi megszólalásokat időrendi sorrendben, a legrégebbitől a legújabbig adja meg, miközben az aktuális hang marad az átírandó forduló. A dokumentált kontextuskeret 500 forduló vagy összesen 16 000 karakter. Ha ezt a korlátot vagy a rendelkezésre álló modellkontextust meghaladja, először a legrégebbi bejegyzéseket távolítja el. Ez akkor hasznos, ha egy rövid válasz olyan azonosítót vagy utalást tartalmaz, amelynek jelentése az előző kérdésből származik.

A nyelvválasztás egy vagy több várt nyelv felé tereli a felismerést. A jelenlegi Sync felület 32 nyelvkódot fogad el, választás hiányában pedig angolt használ. Nyelvek között váltó hang esetén sorolja fel a várt nyelveket. Az egyéni kontextusprompt lecseréli a rendszer által kezelt alapértelmezést, és felülírja a külön nyelvkódos irányítást, ezért a várt nyelveket ebben a promptban nevezze meg, ha nyelvi és helyzeti kontextusra is szükség van. Az átirat maradjon a ténylegesen beszélt nyelveken, az átírást ne kezelje fordítási utasításként.

A modell más AssemblyAI átírási munkafolyamatokban is megjelenik, míg a Sync profil rövidklip-követelményei és eredménymezői ehhez a konkrét felülethez tartoznak. A gyártó Dictation munkafolyamata külön szövegtisztítási lépést ad hozzá; az átirat és az újraírt üzenet eltérő eredmények. Őrizze meg a felismert beszédet, ha későbbi szerkesztési vagy összefoglalási lépés tisztított változatot hoz létre, hogy az eredeti megfogalmazás továbbra is rendelkezésre álljon az összehasonlításhoz.

Hasznos eredmény lehet átírt hangüzenet, asszisztenshez elkészült forduló, rövid kereshető hangszöveg vagy ellenőrző felülethez készült időzített szólista. A döntő szavakat ellenőrizze a felvétel alapján, őrizze meg a hiányzó illesztéseket, és a klipet tartsa a visszaadott szöveghez kapcsolva. A felismerési eredmény forrással alátámasztott átiratot ad az alkalmazás következő lépésének; a kérés megválaszolása vagy az üzenet szerkesztése a környező munkafolyamat feladata.