AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro เป็นโมเดลแปลงเสียงเป็นข้อความของ AssemblyAI สำหรับเปลี่ยนคลิปเสียงสั้นเป็นบทถอดเสียงสมบูรณ์ในคำตอบเดียว โปรไฟล์ Sync เพิ่มค่าความเชื่อมั่นรายคำ การประทับเวลารายคำที่เลือกเปิดได้ คำใบ้ศัพท์ และบริบทบทสนทนาก่อนหน้า สำหรับการป้อนด้วยเสียงและเวิร์กโฟลว์กดเพื่อพูด

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Universal-3.5 Pro เป็นโมเดลรู้จำเสียงพูดของ AssemblyAI สำหรับแปลงเสียงพูดที่บันทึกไว้เป็นข้อความ ในโปรไฟล์ Sync คลิปเสียงสั้นให้บทถอดเสียงสมบูรณ์ในคำตอบเดียว เหมาะกับข้อความเสียง การป้อนแบบกดเพื่อพูด และเทิร์นสนทนาแยกครั้งที่แอปพลิเคชันรู้แล้วว่าควรจบการบันทึกเมื่อใด

เตรียมเสียงเป็นคลิปที่มีขอบเขต ข้อกำหนด Sync ของ AssemblyAI รับความยาวตั้งแต่ 80 มิลลิวินาทีถึง 120 วินาที และขนาดไฟล์สูงสุด 40 MB รูปแบบที่รองรับคือ WAV หรือ PCM ดิบแบบ signed 16-bit little-endian เสียงเป็นโมโนหรือสเตอริโอได้ โดยสเตอริโอจะผสมลงภายใน อัตราสุ่มที่รองรับคือ 8, 16, 22.05, 24, 32, 44.1 และ 48 kHz ส่วนหัว WAV ระบุอัตราสุ่มและจำนวนช่องสัญญาณ ส่วน PCM ดิบต้องส่งค่าเหล่านั้นแยกในค่ากำหนดการถอดเสียง

บันทึกถ้อยคำให้ครบและรักษาช่วงต้นกับท้ายของคำพูด งานตัวอย่างที่มีประโยชน์คือข้อความเสียงฝ่ายสนับสนุนสินค้าสั้น ๆ ที่มีชื่อสินค้า ตัวระบุคำสั่งซื้อ และคำขอ เก็บคลิปต้นฉบับเพื่อให้ตรวจบทถอดเสียงกับรายละเอียดสำคัญเหล่านั้นได้ สำหรับการบันทึกยาวกว่า ให้เตรียมเวิร์กโฟลว์ที่เหมาะกับการถอดเสียงยาว แทนการถือว่าขีดจำกัดความยาวคลิปสั้นเป็นความจุเสียงของโมเดลโดยรวม

ผลลัพธ์มีบทถอดเสียงเต็ม รายการคำพร้อมค่าความเชื่อมั่นรายคำ และค่าความเชื่อมั่นรวมระหว่างศูนย์กับหนึ่ง อีกทั้งระบุความยาวเสียงที่ส่งและตัวระบุคำขอ ทำให้เก็บข้อความคู่กับคลิปต้นฉบับได้ ใช้ค่าความเชื่อมั่นรายคำหาช่วงที่ควรฟังตรวจ โดยเฉพาะชื่อ ตัวเลข และศัพท์เฉพาะด้านที่สำคัญต่อแอปพลิเคชัน

การประทับเวลารายคำเป็นตัวเลือกและปิดโดยค่าเริ่มต้น เมื่อขอ แต่ละคำที่จัดแนวได้อาจมีเวลาเริ่มและสิ้นสุดเป็นมิลลิวินาทีเทียบกับจุดเริ่มคลิป โปรไฟล์ผู้สร้างปล่อยค่าเหล่านั้นว่างเมื่อจัดแนวคำไม่ได้ แทนการแต่งเวลาโดยประมาณ ความแม่นยำของการประทับเวลาดีที่สุดสำหรับเสียงภาษาอังกฤษ เก็บสถานะเวลาที่ขาดไว้อย่างชัดเจนเมื่อเตรียมการเน้นคำ เวฟฟอร์มที่ค้นหาได้ หรือการจัดแนวคำบรรยาย และเปรียบเทียบข้อความกับเสียงก่อนใช้เป็นแทร็กคำบรรยายที่เสร็จแล้ว

พรอมต์บริบทอธิบายว่าเสียงบันทึกเกี่ยวกับอะไร สามารถระบุสาขา สถานการณ์ หรือรายละเอียดเฉพาะที่แอปพลิเคชันรู้อยู่แล้ว และมีความยาวสูงสุด 6000 อักขระ เริ่มด้วยคำอธิบายสั้นที่ตรงกับเสียง เช่น บทสนทนาช่วยเหลือทางเทคนิคเกี่ยวกับอุปกรณ์เฉพาะ พรอมต์ให้บริบทการรู้จำ ไม่ใช่คำขอให้เขียนข้อความผู้พูดใหม่เป็นเอกสารชนิดอื่น

รายการ keyterm แยกต่างหากช่วยโน้มการรู้จำไปยังคำศัพท์เฉพาะ โปรไฟล์ Sync รับสูงสุด 100 คำศัพท์ และรวม 8000 อักขระทั้งรายการ ใช้การสะกดตรงสำหรับชื่อที่ไม่ทั่วไป ตัวย่อ หรือศัพท์สินค้า และไม่ใส่คำทั่วไปที่รู้จำได้ดีอยู่แล้ว รายการคำที่ใหญ่หรือไม่จำเป็นอาจทำให้แก้เกิน จึงควรเน้นคำสำคัญในเสียง สามารถใช้คำอธิบายบริบทกับรายการคำศัพท์ร่วมกันได้

บทสนทนาก่อนหน้าช่วยตีความคำตอบสั้นได้เช่นกัน ส่งถ้อยคำก่อนหน้าตามลำดับเวลา จากเก่าสุดถึงใหม่สุด โดยเสียงปัจจุบันยังเป็นเทิร์นที่กำลังถอด โควตาบริบทตามเอกสารคือ 500 เทิร์นหรือรวม 16,000 อักขระ หากเกินเพดานเหล่านี้หรือบริบทโมเดลที่มี รายการเก่าสุดจะถูกลบก่อน มีประโยชน์เมื่อคำตอบสั้นมีตัวระบุหรือการอ้างถึงที่ต้องอาศัยคำถามก่อนหน้าเพื่อเข้าใจความหมาย

การเลือกภาษาช่วยกำกับการรู้จำไปยังภาษาที่คาดหวังหนึ่งภาษาหรือหลายภาษา อินเทอร์เฟซ Sync ปัจจุบันรับรหัสภาษา 32 รหัส และใช้ภาษาอังกฤษโดยค่าเริ่มต้นเมื่อไม่ส่งตัวเลือก สำหรับเสียงสลับภาษา ให้ระบุภาษาที่คาดหวัง พรอมต์บริบทกำหนดเองแทนที่ค่าเริ่มต้นที่ระบบจัดการและมีผลเหนือการกำกับด้วยรหัสภาษาแยก ดังนั้นให้ระบุภาษาที่คาดหวังในพรอมต์นั้นเมื่อจำเป็นต้องมีทั้งบริบทภาษาและสถานการณ์ คงบทถอดเสียงเป็นภาษาที่พูดจริง แทนการถือว่าการถอดเสียงเป็นคำสั่งแปล

โมเดลยังปรากฏในเวิร์กโฟลว์ถอดเสียงอื่นของ AssemblyAI แต่ข้อกำหนดคลิปสั้นและฟิลด์ผลของโปรไฟล์ Sync เป็นของอินเทอร์เฟซนี้โดยเฉพาะ เวิร์กโฟลว์ Dictation ของผู้สร้างเพิ่มขั้นตอนปรับข้อความแยกต่างหาก บทถอดเสียงกับข้อความเขียนใหม่เป็นคนละชิ้นงาน เก็บเสียงพูดที่รู้จำไว้หากขั้นตอนแก้ไขหรือสรุปภายหลังสร้างฉบับปรับปรุง เพื่อให้ถ้อยคำต้นฉบับยังอยู่สำหรับเปรียบเทียบ

สิ่งส่งมอบที่มีประโยชน์ ได้แก่ ข้อความเสียงที่ถอดแล้ว เทิร์นสมบูรณ์สำหรับผู้ช่วย ข้อความจากเสียงสั้นที่ค้นหาได้ หรือรายการคำพร้อมเวลาสำหรับอินเทอร์เฟซตรวจทาน ตรวจคำที่มีผลสำคัญกับเสียง เก็บการจัดแนวที่ขาด และคงลิงก์ระหว่างคลิปกับข้อความที่ส่งคืน ผลการรู้จำให้บทถอดเสียงที่อิงต้นฉบับแก่ขั้นตอนแอปพลิเคชันถัดไป ส่วนการตอบคำขอหรือแก้ข้อความเป็นงานของเวิร์กโฟลว์รอบนอก

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

assemblyai/universal-3-5-pro

AssemblyAI /assemblyai/universal-3-5-pro

เริ่มต้น

อินพุตที่รองรับ: เสียง
ผลลัพธ์: ข้อความ

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions

ขาเข้า: audio
ขาออก: text

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด assemblyai/universal-3-5-pro	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`material_conditions`	ข้อกำหนดตัวอย่างนี้อ่านไฟล์ PCM WAV จริงของคุณที่ไม่ว่าง เข้ารหัสไบต์ทั้งหมดของไฟล์เป็น base64 และส่ง input_audio.format เป็น wav

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id ที่ตรงตามบันทึกสื่อเดิมซึ่งเป็นของคุณ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าวินาทีเสียงขาเข้า	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า $0.00025 ต่อวินาทีของเสียงอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

curl · ไฟล์ WAV จริงและผลลัพธ์ต้นฉบับที่ครบถ้วน

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.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

เนื้อหาการตอบกลับเดิมทั้งหมด สถานะ และส่วนหัวที่ส่งต่อ ตัวจัดการนี้ไม่เพิ่มโครงสร้าง JSON ฟิลด์ข้อความ หรือโครงสร้างห่อหุ้มงานแบบสากล

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

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID จริงและการตอบกลับทั้งหมด อ่านแอสเซ็ตเดิมที่เป็นของคุณและ URL เนื้อหาที่ลงลายเซ็นตรงตามที่ส่งกลับ ห้ามส่งคำขอสร้างที่ยังไม่แน่ชัดซ้ำ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text (when present)`	ประเภท
ฟิลด์`usage (when present)`	ประเภท

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขเนื้อหา JSON หรือ ID โมเดลมาตรฐานที่ระบุชัดเจนไม่ถูกต้อง	ขั้นตอนถัดไปเก็บการตอบกลับและแก้ไขฟิลด์คำขอที่ระบุ
การตอบกลับ401 · `authentication_error`	เงื่อนไขคีย์ API ของ Ailoot ไม่ถูกต้อง	ขั้นตอนถัดไปใช้คีย์ API ของ Ailoot ที่คุณได้รับอนุญาต
การตอบกลับ403 · `permission_error`	เงื่อนไขกลุ่มคีย์ไม่อนุญาตให้ใช้เมธอดนี้	ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ404 · `not_found_error`	เงื่อนไขเมธอดที่เลือกไม่มีเส้นทางที่ได้รับอนุญาต	ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ422 · `price_unavailable`	เงื่อนไขอัตราค่าบริการที่ยอมรับไม่สามารถระบุปริมาณข้อมูลขาเข้าหรือขอบเขตที่จำเป็นได้	ขั้นตอนถัดไปเก็บการตอบกลับไว้ ใช้รูปแบบข้อมูลขาเข้าที่อัตราค่าบริการที่ยอมรับกำหนดไว้
การตอบกลับ503 ·	เงื่อนไขที่เก็บข้อมูล เส้นทาง ราคาเมธอด หรือการกันวงเงินที่จำเป็นไม่พร้อมใช้งาน	ขั้นตอนถัดไปเก็บการตอบกลับเดิมทั้งหมด การกันวงเงินที่ไม่แน่นอนไม่อนุญาตให้ส่งซ้ำ
การตอบกลับ502 · `server_error`	เงื่อนไขต้องตรวจสอบผลลัพธ์ การใช้งาน หรือการชำระบัญชีเดิม	ขั้นตอนถัดไปเก็บ ID คำขอจริงและการตอบกลับเดิม อ่านบันทึกเดิมที่เป็นของคุณ อย่าส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra assemblyai/universal-3-5-pro

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

assemblyai/universal-3-5-pro

FAQ · AssemblyAI: Universal-3.5 Pro

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · assemblyai/universal-3-5-pro: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · assemblyai/universal-3-5-pro: model, input_audio

AssemblyAI: Universal-3.5 Pro