AssemblyAI: Universal-3.5 Pro

AssemblyAI: Universal-3.5 Pro es un modelo de voz a texto de AssemblyAI, servido a través de la API Sync del proveedor. Se sitúa en la categoría de transcripción, por lo que su función es estrecha y específica: convertir audio en texto en lugar de manejar tareas de chat, razonamiento o generación. Si estás construyendo algo que necesita una transcripción, este es el tipo de modelo que evaluarías junto con otras opciones de transcripción.

El modelo toma audio como su única entrada y devuelve una transcripción como su salida. Produce una transcripción completa con marcas de tiempo a nivel de palabra en una sola respuesta síncrona, lo que significa que obtienes la información de tiempo de cada palabra sin un paso de alineación separado. La ruta de la API Sync está diseñada para clips de audio de hasta 120 segundos, por lo que el modelo funciona con grabaciones cortas en lugar de archivos largos. No se indica ninguna ventana de contexto para este modelo, y la salida máxima se registra como cero, lo que refleja que no es un modelo de generación de texto con un presupuesto de tokens en el sentido habitual.

Los usos prácticos se derivan directamente de esos rasgos. Las marcas de tiempo a nivel de palabra lo hacen adecuado para la generación de subtítulos y leyendas, donde cada palabra necesita un desplazamiento de tiempo. Los clips cortos son comunes en notas de voz, fragmentos de llamadas de soporte, entrevistas cortas y transcripción de memorandos de voz, por lo que una llamada síncrona que devuelve la transcripción completa en una sola respuesta se adapta a herramientas interactivas que no pueden esperar a un trabajo por lotes. Debido a que la respuesta es síncrona, puedes integrarla en un flujo de solicitud y respuesta, por ejemplo, un usuario sube un clip y recibe la transcripción y los tiempos en la misma interacción.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "assemblyai/universal-3-5-pro". La solicitud lleva la entrada de audio, y la respuesta devuelve la transcripción con marcas de tiempo a nivel de palabra. El modelo no lista parámetros admitidos, por lo que no deberías esperar pasar controles de muestreo, temperature, top_p o ajustes de generación similares; el comportamiento de transcripción está fijado por el proveedor. Trátalo como un endpoint de transcripción en lugar de un endpoint de finalización de chat, y consulta la tabla de precios en vivo en la página para conocer las tarifas actuales.

El límite principal a tener en cuenta es la duración del clip. La API Sync sirve audio de hasta 120 segundos, por lo que las grabaciones más largas quedan fuera de lo que este modelo está configurado para manejar en una sola llamada síncrona, y necesitarías un enfoque diferente o un modelo diferente para esas. Si tu tarea es generación de texto, chat o cualquier cosa más allá de voz a texto, este modelo no es la opción adecuada, ya que su entrada es audio y su salida es una transcripción.