AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro je model spoločnosti AssemblyAI na prevod reči na text, ktorý v jednej odpovedi premieňa krátky zvukový klip na dokončený prepis. Jeho profil Sync pridáva mieru istoty pri slovách, voliteľné časové značky slov, nápovedy slovnej zásoby a kontext predchádzajúcej konverzácie pre hlasový vstup a postupy push-to-talk.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions assemblyai/universal-3-5-pro

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Universal-3.5 Pro je model rozpoznávania reči spoločnosti AssemblyAI na prevod zaznamenanej reči na text. V profile Sync sa z krátkeho zvukového klipu vytvorí dokončený prepis v jednej odpovedi. Hodí sa to na hlasové správy, vstup push-to-talk a samostatné kolá konverzácie, pri ktorých aplikácia už vie, kedy sa má nahrávanie skončiť.

Zvuk pripravte ako ohraničený klip. Požiadavky Sync spoločnosti AssemblyAI prijímajú dĺžky od 80 milisekúnd do 120 sekúnd s maximálnou veľkosťou súboru 40 MB. Podporované formáty sú WAV alebo nespracovaný 16-bitový PCM so znamienkom a poradím bajtov little-endian. Zvuk môže byť mono alebo stereo, pričom stereo sa interne zmieša do mono. Podporované vzorkovacie frekvencie sú 8, 16, 22,05, 24, 32, 44,1 a 48 kHz. Hlavička WAV dodáva vzorkovaciu frekvenciu a počet kanálov; pri nespracovanom PCM treba tieto hodnoty dodať samostatne v konfigurácii prepisu.

Zachyťte celú výpoveď a zachovajte začiatok aj koniec reči. Užitočnou pôvodnou úlohou je krátka hlasová správa pre produktovú podporu obsahujúca názov produktu, identifikátor objednávky a požiadavku. Uchovajte zdrojový klip, aby sa prepis dal skontrolovať podľa týchto dôležitých detailov. Pri dlhšej nahrávke pripravte postup vhodný na prepis dlhého zvuku namiesto považovania limitu krátkeho klipu za tvrdenie o zvukovej kapacite celého modelu.

Výsledok obsahuje úplný prepis, zoznam slov s mierou istoty pri každom slove a celkovú mieru istoty medzi nulou a jednotkou. Poskytuje aj dĺžku odoslaného zvuku a identifikátor požiadavky, vďaka čomu možno text udržať prepojený s pôvodným klipom. Mieru istoty pri slovách použite na vyhľadanie pasáží vyžadujúcich kontrolu počúvaním, najmä mien, čísel a odbornej slovnej zásoby dôležitej pre aplikáciu.

Časové značky slov sú voliteľné a predvolene vypnuté. Na požiadanie môže každé zarovnané slovo niesť začiatok a koniec v milisekundách vzhľadom na začiatok klipu. Profil výrobcu necháva tieto hodnoty chýbať, keď slovo nemožno zarovnať, namiesto vymýšľania približného času. Presnosť časových značiek je najlepšia pri anglickom zvuku. Pri príprave zvýrazňovania slov, prehľadávateľného priebehu zvukovej vlny alebo zarovnania titulkov explicitne zachovajte chýbajúce časy a pred použitím textu ako hotovej titulkovej stopy ho porovnajte s nahrávkou.

Kontextové zadanie opisuje, o čom nahrávka je. Môže pomenovať oblasť, scenár alebo konkrétne detaily, ktoré aplikácia už pozná, a jeho maximálna dĺžka je 6 000 znakov. Začnite krátkym opisom zodpovedajúcim zvuku, napríklad rozhovorom technickej podpory o konkrétnom zariadení. Zadanie dodáva kontext rozpoznávania; nie je požiadavkou prepísať správu hovoriaceho do iného dokumentu.

Samostatný zoznam kľúčových termínov smeruje rozpoznávanie ku konkrétnej slovnej zásobe. Profil Sync prijíma až 100 termínov a 8 000 znakov v celom zozname. Používajte presný pravopis nezvyčajných mien, skratiek alebo produktových termínov a bežné dobre rozpoznávané slová zo zoznamu vynechajte. Veľké alebo nepotrebné zoznamy termínov môžu spôsobiť nadmerné opravy, preto zoznam zamerajte na slová dôležité v nahrávke. Kontextový opis a zoznam slovnej zásoby možno použiť spolu.

Aj predchádzajúca konverzácia môže pomôcť interpretovať krátku odpoveď. Predchádzajúce výpovede dodajte v chronologickom poradí od najstaršej po najnovšiu, pričom aktuálny zvuk zostáva prepisovaným kolom. Dokumentovaný kontextový limit je celkovo 500 kôl alebo 16 000 znakov. Pri prekročení týchto stropov alebo dostupného kontextu modelu sa najstaršie záznamy odstraňujú ako prvé. Je to užitočné, keď krátka odpoveď obsahuje identifikátor alebo odkaz, ktorého význam vyplýva z predchádzajúcej otázky.

Výber jazyka smeruje rozpoznávanie k jednému alebo viacerým očakávaným jazykom. Aktuálne rozhranie Sync prijíma 32 jazykových kódov a pri nezadanom výbere predvolene používa angličtinu. Pri zvuku s prepínaním jazykov uveďte očakávané jazyky. Vlastné kontextové zadanie nahrádza spravované predvolené zadanie a prepisuje samostatné smerovanie jazykovými kódmi, preto v tomto zadaní pomenujte očakávané jazyky, keď potrebujete jazykový aj situačný kontext. Prepis ponechajte v skutočne hovorených jazykoch a nepovažujte prepis za pokyn na preklad.

Model sa objavuje aj v iných postupoch prepisu AssemblyAI, zatiaľ čo požiadavky na krátke klipy a polia výsledku profilu Sync patria tomuto konkrétnemu rozhraniu. Postup Dictation výrobcu pridáva samostatnú fázu čistenia textu; prepis a preformulovaná správa sú odlišné výstupy. Ak neskoršia úprava alebo zhrnutie vytvorí vyčistenú verziu, zachovajte rozpoznanú reč, aby pôvodné znenie zostalo dostupné na porovnanie.

Užitočné výstupy zahŕňajú prepísanú hlasovú správu, dokončené kolo pre asistenta, krátky prehľadávateľný zvukový text alebo časovaný zoznam slov pre kontrolné rozhranie. Rozhodujúce slová porovnajte s nahrávkou, zachovajte prípadné chýbajúce zarovnania a klip udržujte prepojený s vráteným textom. Výsledok rozpoznávania dáva ďalšiemu kroku aplikácie prepis podložený zdrojom; odpovedanie na požiadavku alebo úprava správy patrí okolitému postupu.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions assemblyai/universal-3-5-pro

assemblyai/universal-3-5-pro

AssemblyAI /assemblyai/universal-3-5-pro

Úvod

Povolené vstupy: Audio
Výsledky: Text

Dostupné v Ailoot · vstupy a metódy

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity assemblyai/universal-3-5-pro	Predvolené—
Pole`input_audio`	Typ`object`	PožiadavkaPovinné	Hodnoty a limity	Predvolené—

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciaapplication/json
Parameter`required`	Špecifikáciamodel, input_audio
Parameter`material_types`	Špecifikáciaaudio
Parameter`material_conditions`	ŠpecifikáciaPríklad načíta váš skutočný neprázdny súbor PCM WAV, zakóduje všetky jeho bajty do base64 a odošle input_audio.format s hodnotou wav.

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · presné task_id z existujúceho mediálneho záznamu vo vašom vlastníctve

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Cenník

Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.

Rýchly režim: Neuvedené Keď je zvolený rýchly režim
Režim Flex: Neuvedené Keď je zvolený režim flex
Maximálna úroveň uvažovania: Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)

Sadzby Ailoot

Ceny podľa konfigurácie

Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.

Konfigurácia	Sadzobník	Účtovacia jednotka	Poplatok
KonfiguráciaZákladné sadzby za tokeny	SadzobníkZákladná sadzba	Účtovacia jednotka—	Poplatok Vstup · Vstupné tokeny — / 1K tokenov Výstup · Výstupné tokeny — / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov
Konfiguráciasekunda vstupného zvuku	Sadzobník—	Účtovacia jednotkaza sekundu vstupného audia	Poplatok Vstup · sekunda vstupného zvuku $0.00025 za sekundu vstupného audia

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot Ultra · Prepis zvuku

curl · skutočný súbor WAV a úplný pôvodný výsledok

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.

Prijať a uložiť výsledky

Ailoot Ultra · Prepis zvuku

Celé pôvodné telo odpovede, stav a preposlané hlavičky. Tento obslužný kód nepridáva žiadnu univerzálnu štruktúru JSON, textové pole ani obálku úlohy.

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

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Uchovajte úplnú odpoveď a hlavičky, všetky skutočné výstupy, pôvodné vrátené identifikátory a všetky polia s údajmi o spotrebe. Obnovte pôvodnú operáciu bez opätovného odoslania požiadavky na vytvorenie.

Ak treba overiť pôvodnú odpoveď

Zachovajte skutočné X-Client-Request-ID a celú odpoveď. Načítajte pôvodné súbory vo vašom vlastníctve a ich presné podpísané URL obsahu; neisté vytvorenie nikdy znova neodosielajte.

Polia odpovede

Pole	Typ
Pole`text (when present)`	Typ
Pole`usage (when present)`	Typ

Chyby a ďalšie kroky

Odpoveď	Podmienka	Ďalší krok
Odpoveď400 · `invalid_request_error`	PodmienkaTelo JSON alebo explicitné kanonické ID modelu sú neplatné.	Ďalší krokZachovajte odpoveď a opravte označené pole požiadavky.
Odpoveď401 · `authentication_error`	PodmienkaKľúč API služby Ailoot je neplatný.	Ďalší krokPoužite svoj autorizovaný kľúč API služby Ailoot.
Odpoveď403 · `permission_error`	PodmienkaSkupina kľúča nepovoľuje túto metódu.	Ďalší krokZachovajte vrátené podrobnosti chyby.
Odpoveď404 · `not_found_error`	PodmienkaVybraná metóda nemá povolenú trasu.	Ďalší krokZachovajte vrátené podrobnosti chyby.
Odpoveď422 · `price_unavailable`	PodmienkaPrijatá tarifa nedokáže získať požadované množstvo vstupu alebo jeho hranicu.	Ďalší krokZachovajte odpoveď; použite reprezentáciu vstupu vyžadovanú prijatou tarifou.
Odpoveď503 ·	PodmienkaPožadované úložisko, trasa, cena metódy alebo rezervácia nie sú dostupné.	Ďalší krokZachovajte celú pôvodnú odpoveď. Neistá rezervácia nie je povolením na opätovné odoslanie.
Odpoveď502 · `server_error`	PodmienkaPôvodný výsledok, spotreba alebo zúčtovanie vyžadujú kontrolu.	Ďalší krokZachovajte skutočné ID požiadavky a pôvodnú odpoveď. Načítajte existujúci záznam vo vašom vlastníctve; vytvorenie znova neodosielajte.

Aliasy

Aliasy modelov

Ailoot Ultra assemblyai/universal-3-5-pro

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

assemblyai/universal-3-5-pro

FAQ · AssemblyAI: Universal-3.5 Pro

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/transcriptions · assemblyai/universal-3-5-pro: audio → text
Aké polia používa požiadavka?: POST /v1/audio/transcriptions · assemblyai/universal-3-5-pro: model, input_audio

AssemblyAI: Universal-3.5 Pro