AssemblyAI: Universal-3.5 Pro

AssemblyAI: Universal-3.5 Pro هو نموذج تحويل الكلام إلى نص من AssemblyAI، يُقدَّم عبر واجهة Sync API الخاصة بالمزوّد. يقع في فئة النسخ، لذا فإن مهمته ضيقة ومحددة: تحويل الصوت إلى نص بدلاً من التعامل مع مهام المحادثة أو الاستدلال أو التوليد. إذا كنت تبني شيئاً يحتاج إلى نص مكتوب، فهذا هو نوع النموذج الذي ستقيّمه إلى جانب خيارات النسخ الأخرى.

يأخذ النموذج الصوت كمدخل وحيد له ويعيد نصاً مكتوباً كمخرج. ينتج نصاً كاملاً مع طوابع زمنية على مستوى الكلمة في استجابة متزامنة واحدة، مما يعني أنك تحصل على معلومات التوقيت لكل كلمة دون خطوة محاذاة منفصلة. صُمم مسار Sync API للمقاطع الصوتية التي تصل مدتها إلى 120 ثانية، لذا يعمل النموذج على التسجيلات القصيرة بدلاً من الملفات الطويلة. لا توجد نافذة سياق مدرجة لهذا النموذج، والمخرج الأقصى مسجّل بصفر، مما يعكس أنه ليس نموذج توليد نص بميزانية رموز بالمعنى المعتاد.

تتبع الاستخدامات العملية هذه السمات مباشرة. الطوابع الزمنية على مستوى الكلمة تجعله مناسباً لتوليد الترجمة والتعليقات، حيث تحتاج كل كلمة إلى إزاحة زمنية. المقاطع القصيرة شائعة في الملاحظات الصوتية ومقتطفات مكالمات الدعم والمقابلات القصيرة ونسخ المذكرات الصوتية، لذا فإن استدعاءً متزامناً يعيد النص الكامل في استجابة واحدة يناسب الأدوات التفاعلية التي لا يمكنها الانتظار لمهمة دفعية. ولأن الاستجابة متزامنة، يمكنك ربطه في تدفق طلب واستجابة، على سبيل المثال يرفع المستخدم مقطعاً ويستلم النص والتوقيتات في التفاعل نفسه.

تستدعيه عبر واجهة api14 المتوافقة مع OpenAI باستخدام معرّف النموذج "assemblyai/universal-3-5-pro". يحمل الطلب مدخل الصوت، وتعيد الاستجابة النص مع طوابع زمنية على مستوى الكلمة. لا يسرد النموذج أي معاملات مدعومة، لذا لا ينبغي أن تتوقع تمرير عناصر تحكم في أخذ العينات أو temperature أو top_p أو إعدادات توليد مشابهة؛ سلوك النسخ ثابت من المزوّد. تعامل معه كنقطة نهاية للنسخ وليس كنقطة نهاية لإكمال المحادثة، وتحقق من جدول الأسعار المباشر على الصفحة للحصول على الأسعار الحالية.

الحد الرئيسي الذي يجب تذكره هو طول المقطع. تخدم Sync API الصوت حتى 120 ثانية، لذا تقع التسجيلات الأطول خارج ما صُمم هذا النموذج للتعامل معه في استدعاء متزامن واحد، وستحتاج إلى نهج مختلف أو نموذج مختلف لتلك الحالات. إذا كانت مهمتك توليد نص أو محادثة أو أي شيء يتجاوز تحويل الكلام إلى نص، فهذا النموذج ليس الخيار المناسب، لأن مدخله صوت ومخرجه نص مكتوب.