AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro adalah model pengenalan ucapan AssemblyAI untuk mengubah ucapan rekaman menjadi teks. Dalam profil Sync-nya, klip audio singkat menghasilkan transkrip lengkap dalam satu respons. Ini sesuai untuk pesan suara, masukan push-to-talk dan giliran percakapan terpisah ketika aplikasi sudah mengetahui kapan rekaman harus berakhir.

Siapkan audio sebagai klip berbatas jelas. Persyaratan Sync AssemblyAI menerima durasi dari 80 milidetik hingga 120 detik, dengan ukuran berkas maksimal 40 MB. Format yang didukung adalah WAV atau PCM mentah signed 16-bit little-endian. Audio dapat berupa mono atau stereo, dengan kanal stereo digabungkan menjadi mono secara internal. Laju sampel yang didukung adalah 8, 16, 22,05, 24, 32, 44,1 dan 48 kHz. Header WAV menyediakan laju sampel dan jumlah kanal; PCM mentah memerlukan nilai tersebut diberikan terpisah dalam konfigurasi transkripsi.

Rekam ujaran lengkap dan jaga awal serta akhir ucapan tetap utuh. Tugas orisinal yang berguna adalah pesan suara dukungan produk singkat yang memuat nama produk, pengenal pesanan dan permintaan. Simpan klip sumber agar transkrip dapat diperiksa terhadap detail penting tersebut. Untuk rekaman lebih panjang, siapkan alur yang sesuai dengan transkripsi panjang, alih-alih menganggap batas durasi klip singkat sebagai klaim kapasitas audio seluruh model.

Hasil memuat transkrip lengkap, daftar kata dengan tingkat keyakinan per kata dan tingkat keyakinan keseluruhan antara nol dan satu. Hasil juga menyediakan durasi audio yang dikirim dan pengenal permintaan, sehingga teks dapat tetap terkait dengan klip aslinya. Gunakan tingkat keyakinan kata untuk menemukan bagian yang perlu ditinjau dengan mendengarkan, terutama nama, angka dan kosakata bidang yang penting bagi aplikasi.

Stempel waktu kata bersifat opsional dan nonaktif secara bawaan. Jika diminta, setiap kata yang disejajarkan dapat membawa awal dan akhirnya dalam milidetik relatif terhadap awal klip. Profil pembuatnya membiarkan nilai tersebut tidak ada ketika kata tidak dapat disejajarkan, alih-alih mengarang perkiraan waktu. Akurasi stempel waktu paling baik untuk audio bahasa Inggris. Pertahankan waktu yang hilang secara eksplisit saat menyiapkan penyorotan kata, bentuk gelombang yang dapat dicari atau penyelarasan subtitel, dan bandingkan teks dengan rekaman sebelum menggunakannya sebagai jalur takarir jadi.

Prompt kontekstual menjelaskan pokok rekaman. Prompt dapat menyebutkan bidang, skenario atau detail spesifik yang sudah diketahui aplikasi, dan panjang maksimalnya adalah 6000 karakter. Mulailah dengan deskripsi singkat yang sesuai dengan audio, seperti percakapan dukungan teknis tentang perangkat tertentu. Prompt menyediakan konteks pengenalan; ini bukan permintaan untuk menulis ulang pesan pembicara menjadi dokumen berbeda.

Daftar keyterm terpisah mengarahkan pengenalan agar lebih mengutamakan kosakata tertentu. Profil Sync menerima hingga 100 istilah dan 8000 karakter di seluruh daftar tersebut. Gunakan ejaan tepat untuk nama tidak lazim, akronim atau istilah produk, dan keluarkan kata biasa yang sudah dikenali dengan baik dari daftar. Daftar istilah besar atau tidak diperlukan dapat menyebabkan koreksi berlebihan, sehingga fokuskan daftar pada kata yang penting dalam rekaman. Deskripsi konteks dan daftar kosakata dapat digunakan bersama.

Percakapan sebelumnya juga dapat membantu menafsirkan balasan singkat. Sertakan ujaran sebelumnya sesuai urutan waktu, dari terlama ke terbaru, sementara audio saat ini tetap menjadi giliran yang ditranskripsikan. Jatah konteks yang didokumentasikan adalah 500 giliran atau total 16.000 karakter. Jika melebihi batas tersebut atau konteks model yang tersedia, entri terlama dihapus terlebih dahulu. Ini berguna ketika jawaban singkat memuat pengenal atau rujukan yang maknanya berasal dari pertanyaan sebelumnya.

Pemilihan bahasa mengarahkan pengenalan ke satu atau beberapa bahasa yang diharapkan. Antarmuka Sync saat ini menerima 32 kode bahasa dan secara bawaan menggunakan bahasa Inggris jika tidak ada pilihan yang disertakan. Untuk audio yang beralih bahasa, cantumkan bahasa yang diharapkan. Prompt kontekstual khusus menggantikan bawaan yang dikelola dan mengesampingkan pengarahan kode bahasa terpisah, sehingga sebutkan bahasa yang diharapkan di dalam prompt tersebut ketika konteks bahasa maupun skenario dibutuhkan. Pertahankan transkrip dalam bahasa yang benar-benar diucapkan, alih-alih memperlakukan transkripsi sebagai instruksi terjemahan.

Model juga muncul dalam alur transkripsi AssemblyAI lainnya, sementara persyaratan klip singkat dan bidang hasil profil Sync merupakan milik antarmuka tertentu ini. Alur Dictation pembuatnya menambahkan tahap pembersihan teks terpisah; transkrip dan pesan yang ditulis ulang merupakan artefak berbeda. Pertahankan ucapan yang dikenali jika langkah pengeditan atau perangkuman berikutnya menghasilkan versi yang dibersihkan, agar kata-kata asli tetap tersedia untuk perbandingan.

Hasil yang berguna meliputi pesan suara yang ditranskripsikan, giliran lengkap untuk asisten, teks audio singkat yang dapat dicari atau daftar kata berwaktu untuk antarmuka tinjauan. Periksa kata-kata penentu terhadap rekaman, pertahankan setiap penyelarasan yang hilang dan jaga klip tetap terhubung dengan teks yang dikembalikan. Hasil pengenalan memberi langkah aplikasi berikutnya transkripsi yang didukung sumber; menjawab permintaan atau mengedit pesan menjadi bagian alur di sekitarnya.