AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro é o modelo de reconhecimento de fala da AssemblyAI para converter fala gravada em texto. No seu perfil Sync, um excerto de áudio curto produz uma transcrição completa numa só resposta. Adequa-se a mensagens de voz, entrada de premir para falar e turnos de conversa separados em que a aplicação já sabe quando a gravação deve terminar.

Prepare o áudio como um excerto delimitado. Os requisitos Sync da AssemblyAI aceitam durações de 80 milissegundos a 120 segundos, com um tamanho máximo de ficheiro de 40 MB. Os formatos suportados são WAV ou PCM em bruto de 16 bits com sinal e ordenação little-endian. O áudio pode ser mono ou estéreo, sendo o estéreo convertido internamente para mono. As frequências de amostragem suportadas são 8, 16, 22.05, 24, 32, 44.1 e 48 kHz. Um cabeçalho WAV fornece a frequência de amostragem e o número de canais; o PCM em bruto exige que esses valores sejam fornecidos separadamente na configuração da transcrição.

Capte o enunciado completo e mantenha intactos o início e o fim da fala. Uma tarefa original útil é uma mensagem de voz curta de apoio ao produto que contenha um nome de produto, um identificador de encomenda e um pedido. Conserve o excerto de origem para permitir verificar esses pormenores importantes na transcrição. Para uma gravação mais longa, prepare um fluxo de trabalho adequado à transcrição de longa duração, em vez de tratar o limite de duração de excertos curtos como uma afirmação sobre a capacidade de áudio de todo o modelo.

O resultado contém a transcrição completa, uma lista de palavras com confiança individual e uma confiança global entre zero e um. Fornece também a duração do áudio enviado e um identificador do pedido, permitindo manter o texto associado ao excerto original. Utilize a confiança por palavra para localizar passagens que merecem revisão por escuta, sobretudo nomes, números e vocabulário do domínio relevantes para a aplicação.

As marcas temporais por palavra são opcionais e estão desativadas por predefinição. Quando pedidas, cada palavra alinhada pode incluir o início e o fim em milissegundos relativos ao início do excerto. O perfil do fabricante deixa esses valores ausentes quando não é possível alinhar uma palavra, em vez de inventar uma temporização aproximada. A precisão temporal é melhor em áudio em inglês. Preserve explicitamente as temporizações em falta ao preparar realce de palavras, uma forma de onda pesquisável ou alinhamento de legendas, e compare o texto com a gravação antes de o utilizar como faixa de legendas concluída.

Um prompt contextual descreve o assunto da gravação. Pode indicar um domínio, um cenário ou pormenores específicos já conhecidos pela aplicação, e o seu comprimento máximo é de 6000 caracteres. Comece por uma descrição curta adequada ao áudio, como uma conversa de apoio técnico sobre um dispositivo específico. O prompt fornece contexto para o reconhecimento; não é um pedido para reformular a mensagem do falante num documento diferente.

Uma lista separada de termos-chave orienta o reconhecimento para vocabulário específico. O perfil Sync aceita até 100 termos e 8000 caracteres no total dessa lista. Utilize a grafia exata de nomes invulgares, siglas ou termos de produto e deixe de fora palavras comuns já bem reconhecidas. Listas grandes ou desnecessárias podem provocar correções excessivas, por isso concentre a lista nas palavras relevantes para a gravação. A descrição do contexto e a lista de vocabulário podem ser utilizadas em conjunto.

A conversa anterior também pode ajudar a interpretar uma resposta curta. Forneça os enunciados anteriores por ordem cronológica, do mais antigo para o mais recente, mantendo o áudio atual como o turno a transcrever. O limite de contexto documentado é de 500 turnos ou 16 000 caracteres no total. Se exceder esses limites ou o contexto disponível do modelo, as entradas mais antigas são removidas primeiro. Isto é útil quando uma resposta breve contém um identificador ou uma referência cujo significado vem da pergunta anterior.

A seleção do idioma orienta o reconhecimento para um ou mais idiomas esperados. A interface Sync atual aceita 32 códigos de idioma e assume inglês quando não é fornecida uma seleção. Para áudio com alternância de idiomas, enumere os idiomas esperados. Um prompt contextual personalizado substitui o contexto predefinido gerido pelo serviço e sobrepõe-se à orientação separada por códigos de idioma; por isso, indique os idiomas esperados nesse prompt quando forem necessários tanto o idioma como o contexto do cenário. Mantenha a transcrição nos idiomas efetivamente falados, em vez de tratar a transcrição como uma instrução de tradução.

O modelo aparece também noutros fluxos de trabalho de transcrição da AssemblyAI, mas os requisitos para excertos curtos e os campos de resultado do perfil Sync pertencem a esta interface específica. O fluxo de trabalho Dictation do fabricante acrescenta uma etapa separada de aperfeiçoamento do texto; uma transcrição e uma mensagem reformulada são resultados diferentes. Preserve a fala reconhecida se uma etapa posterior de edição ou resumo produzir uma versão revista, para que a redação original continue disponível para comparação.

Entre as entregas úteis estão uma mensagem de voz transcrita, um turno concluído para um assistente, texto pesquisável de áudio curto ou uma lista de palavras temporizadas para uma interface de revisão. Verifique as palavras decisivas face à gravação, preserve os alinhamentos em falta e mantenha o excerto ligado ao texto devolvido. O resultado do reconhecimento fornece à etapa seguinte da aplicação uma transcrição fundamentada na fonte; responder ao pedido ou editar a mensagem pertence ao fluxo de trabalho envolvente.