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.
", "aboutText": "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.\n\nPrepare 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.\n\nCapte 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.\n\nO 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.\n\nAs 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.\n\nUm 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.\n\nUma 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.\n\nA 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.\n\nA 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.\n\nO 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.\n\nEntre 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "62d3af0db353fee508e3456dc436347af68ed27b506a991df31ffa66c4e73a2c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "assemblyai/universal-3-5-proUniversal-3.5 Pro é o modelo de conversão de fala em texto da AssemblyAI para transformar um excerto de áudio curto numa transcrição completa numa só resposta. O seu perfil Sync acrescenta confiança por palavra, marcas temporais opcionais por palavra, sugestões de vocabulário e contexto de conversa anterior para entrada por voz e fluxos de trabalho de premir para falar.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites assemblyai/universal-3-5-pro | Predefinição— |
Campoinput_audio | Tipoobject | RequisitoObrigatório | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input_audio |
Parâmetromaterial_types | Contratoaudio |
Parâmetromaterial_conditions | ContratoO exemplo lê o seu ficheiro PCM WAV real e não vazio, codifica todos os bytes do ficheiro em base64 e envia input_audio.format como wav. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exato de um registo multimédia existente pertencente ao utilizador
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Unidade de faturação | Custo |
|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Unidade de faturação— | Custo Entrada · Tokens de entrada — / 1K tokens Saída · Tokens de saída — / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| Configuraçãosegundo de áudio de entrada | Tabela de tarifas— | Unidade de faturaçãopor segundo de áudio de entrada | Custo Entrada · segundo de áudio de entrada $0.00025 por segundo de áudio de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'assemblyai/universal-3-5-pro', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nCorpo completo da resposta original, estado e cabeçalhos encaminhados. Este processador não adiciona qualquer estrutura JSON universal, campo de texto ou estrutura envolvente de tarefa.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve a resposta completa e os cabeçalhos, todos os resultados efetivamente produzidos, os identificadores originais devolvidos e todos os campos de utilização. Recupere a operação original sem voltar a enviar o pedido de criação.
Conserve o X-Client-Request-ID real e a resposta completa. Consulte os recursos originais pertencentes ao utilizador e os respetivos URLs assinados exatos de conteúdo; nunca volte a enviar uma criação incerta.
| Campo | Tipo |
|---|---|
Campotext (when present) | Tipo |
Campousage (when present) | Tipo |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoO corpo JSON ou o ID canónico explícito do modelo é inválido. | Passo seguinteConserve a resposta e corrija o campo indicado no pedido. |
Resposta401 · authentication_error | CondiçãoA chave API da Ailoot é inválida. | Passo seguinteUtilize a sua chave API autorizada da Ailoot. |
Resposta403 · permission_error | CondiçãoO grupo da chave não permite este método. | Passo seguinteConserve os detalhes do erro devolvido. |
Resposta404 · not_found_error | CondiçãoO método selecionado não tem uma rota autorizada. | Passo seguinteConserve os detalhes do erro devolvido. |
Resposta422 · price_unavailable | CondiçãoO tarifário aceite não consegue obter a quantidade de entrada ou o limite de que necessita. | Passo seguinteConserve a resposta; utilize a representação da entrada exigida pelo tarifário aceite. |
Resposta503 · | CondiçãoO armazenamento, a rota, o preço do método ou a reserva de que necessita não está disponível. | Passo seguinteConserve a resposta original completa. Uma reserva incerta não autoriza o reenvio. |
Resposta502 · server_error | CondiçãoO resultado, a utilização ou a liquidação original requer verificação. | Passo seguinteConserve o ID real do pedido e a resposta original. Consulte o registo existente pertencente ao utilizador; não volte a enviar o pedido de criação. |
Ailoot Ultra assemblyai/universal-3-5-pro
Use os caminhos dos métodos indicados acima.