AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro — қысқа аудиожазбаны бір жауапта дайын транскрипцияға айналдыратын AssemblyAI сөйлеуді мәтінге түрлендіру моделі. Оның Sync профилі дауыстық енгізу және батырманы басып сөйлеу үдерістеріне сөздің танылу сенімділігін, қосымша сөз уақыт белгілерін, сөздік нұсқауларын және алдыңғы диалог контекстін қосады.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions assemblyai/universal-3-5-pro

Модель туралы

Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.

Universal-3.5 Pro — жазылған сөйлеуді мәтінге түрлендіруге арналған AssemblyAI сөйлеуді тану моделі. Оның Sync профилінде қысқа аудиожазба бір жауапта дайын транскрипция береді. Бұл дауыстық хабарларға, батырманы басып сөйлеу арқылы енгізуге және қолданба жазбаның қашан аяқталуы тиіс екенін алдын ала білетін жеке диалог кезектеріне сай келеді.

Аудионы шегі анық қысқа жазба ретінде дайындаңыз. AssemblyAI Sync талаптары 80 миллисекундтан 120 секундқа дейінгі ұзақтықты және ең үлкен файл көлемі 40 MB болуын қабылдайды. Қолдау көрсетілетін пішімдер — WAV немесе таңбалы 16 биттік little-endian raw PCM. Аудио моно не стерео болуы мүмкін; стерео жүйенің ішінде моноға араластырылады. Қолдау көрсетілетін дискреттеу жиіліктері: 8; 16; 22,05; 24; 32; 44,1 және 48 кГц. WAV тақырыбы дискреттеу жиілігі мен арналар санын береді; raw PCM үшін бұл мәндерді транскрипция баптауында бөлек беру қажет.

Айтылған сөзді толық жазып, сөйлеудің басы мен соңын сақтаңыз. Пайдалы дербес тапсырма мысалы — өнім атауы, тапсырыс идентификаторы және өтініші бар қысқа қолдау қызметіне арналған дауыстық хабар. Транскрипцияны осы маңызды мәліметтермен салыстырып тексеру үшін бастапқы аудионы сақтаңыз. Ұзағырақ жазба үшін ұзақ аудионы транскрипциялауға сай үдеріс дайындаңыз; қысқа жазба ұзақтығының шегін бүкіл модельдің аудио сыйымдылығы туралы тұжырым деп қабылдамаңыз.

Нәтижеде толық транскрипция, әр сөздің танылу сенімділігі бар сөздер тізімі және нөл мен бір аралығындағы жалпы сенімділік көрсеткіші болады. Сондай-ақ жіберілген аудионың ұзақтығы мен сұрау идентификаторы беріледі, соның арқасында мәтінді бастапқы аудиосымен байланыстырып сақтауға болады. Тыңдап тексеруге тұратын жерлерді табу үшін сөз сенімділігін пайдаланыңыз, әсіресе қолданба үшін маңызды атауларды, сандарды және салалық сөздерді тексеріңіз.

Сөз уақыт белгілері қосымша мүмкіндік болып саналады және әдепкіде өшірулі. Оларды сұрағанда, аудиоға сәйкестендірілген әр сөз үшін жазба басына қатысты басталу және аяқталу уақыты миллисекундпен берілуі мүмкін. Сөзді уақытқа сәйкестендіру мүмкін болмаса, өндіруші профилі жуық уақытты ойдан қоспай, бұл мәндерді бермейді. Уақыт белгілерінің дәлдігі ағылшын тіліндегі аудио үшін ең жоғары. Сөзді ерекшелеу, іздеуге болатын дыбыс толқыны немесе субтитрді сәйкестендіру интерфейсін дайындағанда жетіспейтін уақыттарды анық сақтаңыз және мәтінді дайын субтитр жолы ретінде қолданбас бұрын жазбамен салыстырыңыз.

Контекстік нұсқау жазбаның не туралы екенін сипаттайды. Онда саланы, жағдайды немесе қолданбаға бұрыннан белгілі нақты мәліметтерді атауға болады; ең үлкен ұзындығы — 6 000 таңба. Аудиоға сай қысқа сипаттамадан бастаңыз, мысалы белгілі бір құрылғы туралы техникалық қолдау диалогы. Бұл нұсқау тануға арналған контекст береді; ол сөйлеушінің хабарын басқа құжат етіп қайта жазу сұрауы емес.

Бөлек негізгі терминдер тізімі тануды нақты сөздерге бағыттайды. Sync профилі ең көбі 100 терминді және бүкіл тізім бойынша 8 000 таңбаны қабылдайды. Сирек атаулардың, қысқартулардың немесе өнім терминдерінің дәл жазылуын беріп, әдетте дұрыс танылатын кәдімгі сөздерді тізімге қоспаңыз. Үлкен немесе қажетсіз термин тізімдері артық түзетулерге әкелуі мүмкін, сондықтан тізімді жазбадағы маңызды сөздермен шектеңіз. Контекст сипаттамасы мен сөздік тізімін бірге қолдануға болады.

Алдыңғы диалог та қысқа жауапты түсіндіруге көмектеседі. Бұрын айтылған сөздерді хронологиялық ретпен, ескісінен жаңасына қарай беріңіз; транскрипцияланатын кезек ағымдағы аудио болып қалады. Құжатталған контекст көлемі — 500 диалог кезегі немесе барлығы 16 000 таңба. Осы шектерден немесе қолжетімді модель контекстінен асса, ең ескі жазбалар алдымен алынып тасталады. Бұл қысқа жауапта мағынасы алдыңғы сұрақтан шығатын идентификатор не сілтеме болғанда пайдалы.

Тілді таңдау тануды бір немесе бірнеше күтілетін тілге бағыттайды. Қазіргі Sync интерфейсі 32 тіл кодын қабылдайды; таңдау берілмесе, әдепкі тіл — ағылшын тілі. Бір жазбада тілдер ауысса, күтілетін тілдерді тізіңіз. Арнайы контекстік нұсқау басқарылатын әдепкі нұсқаудың орнын басып, тіл кодтарымен бөлек бағыттауды да алмастырады; сондықтан тіл де, жағдай контексті де керек болса, күтілетін тілдерді сол нұсқауда атаңыз. Транскрипцияны іс жүзінде айтылған тілдерде сақтаңыз және транскрипциялауды аудару нұсқауы деп қабылдамаңыз.

Модель AssemblyAI компаниясының басқа транскрипциялау үдерістерінде де бар, ал Sync профилінің қысқа жазба талаптары мен нәтиже өрістері дәл осы интерфейске тиесілі. Өндірушінің Dictation үдерісі бөлек мәтін тазалау кезеңін қосады; транскрипция мен қайта жазылған хабар — әртүрлі материалдар. Кейінгі өңдеу немесе түйіндеу қадамы тазартылған нұсқа жасаса, салыстыруға бастапқы тұжырым қолжетімді болуы үшін танылған сөйлеуді сақтаңыз.

Пайдалы нәтижелерге транскрипцияланған дауыстық хабар, ассистентке арналған аяқталған диалог кезегі, іздеуге болатын қысқа аудио мәтіні немесе тексеру интерфейсіне арналған уақыт белгілері бар сөздер тізімі жатады. Шешуші сөздерді жазбамен салыстырып тексеріңіз, жетіспейтін сәйкестендірулерді сақтаңыз және аудионы қайтарылған мәтінмен байланыстырып ұстаңыз. Тану нәтижесі қолданбаның келесі қадамына дереккөзге сүйенген транскрипция береді; өтінішке жауап беру немесе хабарды өңдеу қоршаған жұмыс үдерісіне тиесілі.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions assemblyai/universal-3-5-pro

assemblyai/universal-3-5-pro

AssemblyAI /assemblyai/universal-3-5-pro

Бастау

Қабылданатын кіріс деректері: Аудио
Нәтижелер: Мәтін

Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions

Кіріс: audio
Шығыс: text

Өріс	Түрі	Талап	Мәндер мен шектеулер	Әдепкі
Өріс`model`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер assemblyai/universal-3-5-pro	Әдепкі—
Өріс`input_audio`	Түрі`object`	ТалапМіндетті	Мәндер мен шектеулер	Әдепкі—

Әдіс параметрлері мен өмірлік циклі

Параметр	Параметр талаптары
Параметр`content_type`	Параметр талаптарыapplication/json
Параметр`required`	Параметр талаптарыmodel, input_audio
Параметр`material_types`	Параметр талаптарыaudio
Параметр`material_conditions`	Параметр талаптарыМысал сіздің нақты, бос емес PCM WAV файлыңызды оқып, файлдың барлық байтын base64 пішіміне кодтайды және input_audio.format өрісін wav мәнімен жібереді.

Өмірлік цикл: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · иелігіңіздегі бар медиа жазбасынан алынған дәл task_id

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Тарифтер

Тариф анықтамасы сұрау мүмкіндіктерін қоспайды. Қолдау көрсетілетін параметрлер таңдалған әдісте берілген.

Жылдам режим: Көрсетілмеген Жылдам режим таңдалғанда
Икемді режим: Көрсетілмеген flex режимі таңдалғанда
Ой қорытудың ең жоғары деңгейі: Көрсетілмеген Ой қорыту деңгейі ең жоғары болып, default түзетуі қолданылғанда

Ailoot мөлшерлемелері

Баптаулар бойынша бағалар

Әр төлемді көрсетілген шарттармен салыстырыңыз. Балама баптаулардың әр жиыны үшін бір мөлшерлемені қолданыңыз.

Баптау	Мөлшерлемелер кестесі	Есептеу бірлігі	Төлем
БаптауТокендердің базалық тарифтері	Мөлшерлемелер кестесіНегізгі мөлшерлеме	Есептеу бірлігі—	Төлем Кіріс · Кіріс токендері — / 1K токен Шығыс · Шығыс токендері — / 1K токен Кіріс · Кэшті оқу — / 1K токен Кіріс · Кэшке жазу — / 1K токен Кіріс · Кэшке жазу, 1 сағ — / 1K токен
Баптаукіріс аудио секунды	Мөлшерлемелер кестесі—	Есептеу бірлігікіріс аудионың секунды үшін	Төлем Кіріс · кіріс аудио секунды $0.00025 кіріс аудионың секунды үшін

Ailoot сұрау алдында болжамды соманы резервтейді. Нәтижеден кейін өлшенген пайдалану көлемі бойынша қорытынды төлемді шегереді. Ағындық жауап үшін төлем соңғы пайдалану жазбасы негізінде шегеріледі. Резервтеу мен төлемді есептеу тәртібі →

Сұрау мысалдары

Ailoot Ultra · Дыбысты мәтінге түсіру

curl · нақты WAV файлы және бастапқы толық нәтиже

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'assemblyai/universal-3-5-pro', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
Path('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Нәтижелерді алу және сақтау

Ailoot Ultra · Дыбысты мәтінге түсіру

Бастапқы жауаптың толық денесі, күйі және әрі қарай берілген тақырыптары. Бұл өңдегіш әмбебап JSON құрылымын, мәтін өрісін немесе тапсырманың сыртқы құрылымын қоспайды.

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Барлық дайын нәтижені сақтау

Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.

Толық жауапты және тақырыптарды, алынған әрбір нәтижені, бастапқыда қайтарылған идентификаторларды және пайдалану туралы барлық өрістерді сақтаңыз. Жасау сұрауын қайта жібермей, бастапқы операцияны қалпына келтіріңіз.

Бастапқы жауапты тексеру қажет болса

Нақты X-Client-Request-ID мәнін және толық жауапты сақтаңыз. Иелігіңіздегі бастапқы ресурстарды және олардың қолтаңбасы бар дәл мазмұн URL мекенжайларын оқыңыз; нәтижесі белгісіз жасау сұрауын ешқашан қайта жібермеңіз.

Жауап өрістері

Өріс	Түрі
Өріс`text (when present)`	Түрі
Өріс`usage (when present)`	Түрі

Қателер және келесі қадамдар

Жауап	Шарт	Келесі қадам
Жауап400 · `invalid_request_error`	ШартJSON денесі немесе нақты канондық модель ID мәні жарамсыз.	Келесі қадамЖауапты сақтап, сұраудың көрсетілген өрісін түзетіңіз.
Жауап401 · `authentication_error`	ШартAiloot API кілті жарамсыз.	Келесі қадамПайдалануға рұқсат етілген Ailoot API кілтіңізді қолданыңыз.
Жауап403 · `permission_error`	ШартКілттің тобына бұл әдісті пайдалануға рұқсат берілмеген.	Келесі қадамҚайтарылған қатенің толық мәліметін сақтаңыз.
Жауап404 · `not_found_error`	ШартТаңдалған әдісте пайдалануға рұқсат етілген маршрут жоқ.	Келесі қадамҚайтарылған қатенің толық мәліметін сақтаңыз.
Жауап422 · `price_unavailable`	ШартҚабылданған тариф өзіне қажетті кіріс мөлшерін немесе шегін ала алмайды.	Келесі қадамЖауапты сақтаңыз; қабылданған тариф талап ететін кіріс пішімін пайдаланыңыз.
Жауап503 ·	ШартҚажетті қойма, маршрут, әдіс бағасы немесе қаражат резерві қолжетімді емес.	Келесі қадамБастапқы жауапты толық сақтаңыз. Нәтижесі белгісіз қаражат резерві сұрауды қайта жіберуге рұқсат бермейді.
Жауап502 · `server_error`	ШартБастапқы нәтижені, пайдалану деректерін немесе есеп айырысуды тексеру қажет.	Келесі қадамНақты сұрау ID мәнін және бастапқы жауапты сақтаңыз. Иелігіңіздегі бар жазбаны оқыңыз; жасау сұрауын қайта жібермеңіз.

Балама атаулар

Модельдердің балама атаулары

Ailoot Ultra assemblyai/universal-3-5-pro

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

assemblyai/universal-3-5-pro

FAQ · AssemblyAI: Universal-3.5 Pro

Қандай кіріс деректері мен нәтижелер қолжетімді?: POST /v1/audio/transcriptions · assemblyai/universal-3-5-pro: audio → text
Сұрау қандай өрістерді пайдаланады?: POST /v1/audio/transcriptions · assemblyai/universal-3-5-pro: model, input_audio

AssemblyAI: Universal-3.5 Pro