AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro är AssemblyAI:s taligenkänningsmodell för att omvandla inspelat tal till text. I Sync-profilen ger ett kort ljudklipp en färdig transkription i ett svar. Detta passar röstmeddelanden, push-to-talk-indata och avgränsade samtalsturer där applikationen redan vet när inspelningen ska sluta.

Förbered ljudet som ett avgränsat klipp. AssemblyAI:s Sync-krav accepterar längder från 80 millisekunder till 120 sekunder, med en maximal filstorlek på 40 MB. De stödda formaten är WAV eller rå PCM med 16-bitars heltal med tecken och little-endian-byteordning. Ljudet kan vara mono eller stereo, där stereo mixas ned internt. Stödda samplingsfrekvenser är 8, 16, 22,05, 24, 32, 44,1 och 48 kHz. En WAV-header tillhandahåller samplingsfrekvens och kanalantal; rå PCM behöver dessa värden separat i transkriptionskonfigurationen.

Spela in hela yttrandet och håll talets början och slut intakta. En användbar egen uppgift är ett kort röstmeddelande till produktsupport med ett produktnamn, en orderidentifierare och en begäran. Behåll källklippet så att transkriptionen kan kontrolleras mot dessa viktiga detaljer. För en längre inspelning förbereder du ett arbetsflöde lämpligt för långformatstranskription i stället för att behandla kortklippets längdgräns som ett påstående om modellens övergripande ljudkapacitet.

Resultatet innehåller hela transkriptionen, en ordlista med konfidens per ord och en övergripande konfidens mellan noll och ett. Det tillhandahåller också den inskickade ljudlängden och en identifierare för begäran, vilket gör det möjligt att hålla texten kopplad till dess ursprungliga klipp. Använd ordkonfidens för att lokalisera avsnitt som bör granskas genom lyssning, särskilt namn, siffror och domänordförråd som är viktiga för applikationen.

Tidsstämplar för ord är valfria och avstängda som standard. När de begärs kan varje tidsjusterat ord ha sin start och sitt slut i millisekunder relativt klippets början. Tillverkarens profil lämnar dessa värden frånvarande när ett ord inte kan tidsjusteras i stället för att hitta på en ungefärlig tid. Tidsstämpelprecisionen är bäst för engelskt ljud. Behåll saknade tider uttryckligen när du förbereder ordmarkering, en sökbar vågform eller undertextjustering och jämför texten med inspelningen innan du använder den som ett färdigt undertextspår.

En kontextprompt beskriver vad inspelningen handlar om. Den kan ange en domän, ett scenario eller specifika detaljer som applikationen redan känner till, och dess maximala längd är 6000 tecken. Börja med en kort beskrivning som passar ljudet, som ett tekniskt supportsamtal om en viss enhet. Prompten ger igenkänningssammanhang; den är inte en begäran att skriva om talarens meddelande till ett annat dokument.

En separat lista med nyckeltermer styr igenkänningen mot specifikt ordförråd. Sync-profilen tar emot upp till 100 termer och 8000 tecken över hela listan. Använd exakt stavning för ovanliga namn, akronymer eller produkttermer och lämna vanliga väl igenkända ord utanför listan. Stora eller onödiga termlistor kan orsaka överkorrigeringar, så fokusera listan på ord som är viktiga i inspelningen. Kontextbeskrivningen och ordförrådslistan kan användas tillsammans.

Tidigare konversation kan också hjälpa till att tolka ett kort svar. Tillhandahåll tidigare yttranden i kronologisk ordning, från äldst till nyast, medan det aktuella ljudet förblir den tur som transkriberas. Den dokumenterade kontexttilldelningen är 500 turer eller totalt 16 000 tecken. Om den överskrider dessa tak eller den tillgängliga modellkontexten tas de äldsta posterna bort först. Detta är användbart när ett kort svar innehåller en identifierare eller en hänvisning vars betydelse kommer från föregående fråga.

Språkval styr igenkänningen mot ett eller flera förväntade språk. Det aktuella Sync-gränssnittet tar emot 32 språkkoder och använder engelska som standard när inget val anges. För ljud med språkväxling listar du de förväntade språken. En egen kontextprompt ersätter den hanterade standarden och åsidosätter den separata styrningen med språkkoder, så ange de förväntade språken inne i prompten när både språk- och scenariosammanhang behövs. Håll transkriptionen på de språk som faktiskt talas i stället för att behandla transkription som en översättningsinstruktion.

Modellen förekommer också i andra transkriptionsflöden från AssemblyAI, medan Sync-profilens kortklippskrav och resultatfält hör till just detta gränssnitt. Tillverkarens Dictation-flöde lägger till ett separat steg för textrensning; en transkription och ett omskrivet meddelande är olika artefakter. Bevara det igenkända talet om ett senare redigerings- eller sammanfattningssteg producerar en rensad version, så att den ursprungliga formuleringen finns kvar för jämförelse.

Användbara leveranser omfattar ett transkriberat röstmeddelande, en färdig tur för en assistent, kort sökbar ljudtext eller en tidsatt ordlista för ett granskningsgränssnitt. Kontrollera de avgörande orden mot inspelningen, bevara eventuella saknade tidsjusteringar och håll klippet länkat till den returnerade texten. Igenkänningsresultatet ger nästa applikationssteg en källunderbyggd transkription; att besvara begäran eller redigera meddelandet hör till det omgivande arbetsflödet.