AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro è il modello di riconoscimento vocale di AssemblyAI per convertire il parlato registrato in testo. Nel profilo Sync, una breve clip audio produce una trascrizione completa in un'unica risposta. È adatto a messaggi vocali, input push-to-talk e turni conversazionali distinti in cui l'applicazione sa già quando la registrazione deve terminare.

Prepara l'audio come una clip delimitata. I requisiti Sync di AssemblyAI accettano durate da 80 millisecondi a 120 secondi, con una dimensione massima del file di 40 MB. I formati supportati sono WAV o PCM grezzo con segno a 16 bit little-endian. L'audio può essere mono o stereo, con riduzione interna dello stereo a mono. Le frequenze di campionamento supportate sono 8, 16, 22,05, 24, 32, 44,1 e 48 kHz. Un'intestazione WAV fornisce la frequenza di campionamento e il numero di canali; per il PCM grezzo questi valori devono essere forniti separatamente nella configurazione di trascrizione.

Acquisisci l'enunciato completo e mantieni intatti l'inizio e la fine del parlato. Un compito originale utile è un breve messaggio vocale di assistenza su un prodotto, contenente il nome del prodotto, un identificatore d'ordine e una richiesta. Conserva la clip di origine, così da poter verificare la trascrizione rispetto a questi dettagli importanti. Per una registrazione più lunga, prepara un flusso adatto alla trascrizione estesa, anziché trattare il limite di durata delle clip brevi come un'affermazione sulla capacità audio complessiva del modello.

Il risultato contiene la trascrizione completa, un elenco di parole con attendibilità per ciascuna e un'attendibilità complessiva fra zero e uno. Fornisce anche la durata dell'audio inviato e un identificatore della richiesta, consentendo di mantenere il testo associato alla clip originale. Usa l'attendibilità per parola per individuare i passaggi che meritano una verifica all'ascolto, soprattutto nomi, numeri e lessico di settore importanti per l'applicazione.

I timestamp delle parole sono facoltativi e disattivati per impostazione predefinita. Quando richiesti, ogni parola allineata può riportare il proprio inizio e la propria fine in millisecondi rispetto all'inizio della clip. Il profilo del produttore lascia assenti questi valori quando una parola non può essere allineata, anziché inventare un tempo approssimativo. La precisione dei timestamp è migliore per l'audio in inglese. Mantieni espliciti i tempi mancanti quando prepari l'evidenziazione delle parole, una forma d'onda ricercabile o l'allineamento dei sottotitoli e confronta il testo con la registrazione prima di usarlo come traccia di sottotitoli finita.

Un prompt contestuale descrive l'argomento della registrazione. Può indicare un settore, uno scenario o dettagli specifici già noti all'applicazione e ha una lunghezza massima di 6000 caratteri. Parti da una descrizione breve adatta all'audio, come una conversazione di assistenza tecnica su un determinato dispositivo. Il prompt fornisce contesto al riconoscimento; non è una richiesta di riscrivere il messaggio di chi parla trasformandolo in un documento diverso.

Un elenco separato di termini chiave orienta il riconoscimento verso un lessico specifico. Il profilo Sync accetta fino a 100 termini e 8000 caratteri complessivi nell'elenco. Usa le grafie esatte per nomi insoliti, acronimi o termini di prodotto e lascia fuori dall'elenco le parole comuni ben riconosciute. Elenchi grandi o non necessari possono causare correzioni eccessive, quindi concentrati sulle parole importanti nella registrazione. La descrizione del contesto e l'elenco lessicale possono essere usati insieme.

Anche la conversazione precedente può aiutare a interpretare una risposta breve. Fornisci gli enunciati precedenti in ordine cronologico, dal più vecchio al più recente, mentre l'audio attuale rimane il turno da trascrivere. Il budget di contesto documentato è di 500 turni o 16.000 caratteri totali. Se supera questi limiti o il contesto disponibile del modello, le voci più vecchie vengono rimosse per prime. Questo è utile quando una breve risposta contiene un identificatore o un riferimento il cui significato deriva dalla domanda precedente.

La selezione della lingua orienta il riconoscimento verso una o più lingue previste. L'interfaccia Sync attuale accetta 32 codici lingua e usa l'inglese come valore predefinito quando non viene fornita una selezione. Per l'audio con passaggi fra lingue, elenca le lingue previste. Un prompt contestuale personalizzato sostituisce quello predefinito gestito e prevale sull'orientamento separato tramite codici lingua; indica quindi le lingue previste all'interno del prompt quando servono sia il contesto linguistico sia quello dello scenario. Mantieni la trascrizione nelle lingue effettivamente parlate, anziché trattare la trascrizione come un'istruzione di traduzione.

Il modello compare anche in altri flussi di trascrizione AssemblyAI, mentre i requisiti per clip brevi e i campi di risultato del profilo Sync appartengono a questa specifica interfaccia. Il flusso Dictation del produttore aggiunge una fase separata di pulizia del testo; una trascrizione e un messaggio riscritto sono elaborati diversi. Conserva il parlato riconosciuto se una fase successiva di revisione o sintesi produce una versione ripulita, così che la formulazione originale resti disponibile per il confronto.

I risultati utili comprendono un messaggio vocale trascritto, un turno completo per un assistente, testo ricercabile di un breve audio o un elenco di parole temporizzate per un'interfaccia di revisione. Verifica le parole decisive rispetto alla registrazione, conserva gli eventuali allineamenti mancanti e mantieni la clip collegata al testo restituito. Il risultato del riconoscimento fornisce al passaggio applicativo successivo una trascrizione fondata sulla fonte; rispondere alla richiesta o modificare il messaggio spetta al flusso circostante.