AssemblyAI: Universal-3.5 Pro

AssemblyAI : Universal-3.5 Pro est un modèle de reconnaissance vocale d'AssemblyAI, servi via l'API Sync du fournisseur. Il appartient à la catégorie transcription, son rôle est donc étroit et spécifique : transformer l'audio en texte plutôt que de gérer des tâches de chat, de raisonnement ou de génération. Si vous construisez quelque chose qui nécessite une transcription, c'est le type de modèle que vous évalueriez aux côtés d'autres options de transcription.

Le modèle prend l'audio comme seule entrée et renvoie une transcription comme sortie. Il produit une transcription complète avec des horodatages au niveau des mots dans une seule réponse synchrone, ce qui signifie que vous obtenez les informations de timing pour chaque mot sans étape d'alignement séparée. Le chemin de l'API Sync est conçu pour des clips audio allant jusqu'à 120 secondes, le modèle fonctionne donc sur des enregistrements courts plutôt que sur des fichiers longs. Aucune fenêtre de contexte n'est indiquée pour ce modèle, et la sortie maximale est enregistrée comme zéro, ce qui reflète qu'il ne s'agit pas d'un modèle de génération de texte avec un budget de tokens au sens habituel.

Les utilisations pratiques découlent directement de ces caractéristiques. Les horodatages au niveau des mots le rendent adapté à la génération de sous-titres et de légendes, où chaque mot nécessite un décalage temporel. Les clips courts sont courants dans les notes vocales, les extraits d'appels de support, les courtes interviews et la transcription de mémos vocaux, donc un appel synchrone qui renvoie la transcription complète en une seule réponse convient aux outils interactifs qui ne peuvent pas attendre une tâche par lots. Comme la réponse est synchrone, vous pouvez l'intégrer dans un flux de requête et de réponse, par exemple un utilisateur téléverse un clip et reçoit la transcription et les timings dans la même interaction.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "assemblyai/universal-3-5-pro". La requête porte l'entrée audio, et la réponse renvoie la transcription avec des horodatages au niveau des mots. Le modèle ne liste aucun paramètre pris en charge, vous ne devez donc pas vous attendre à passer des contrôles d'échantillonnage, temperature, top_p ou des paramètres de génération similaires ; le comportement de transcription est fixé par le fournisseur. Traitez-le comme un point de terminaison de transcription plutôt qu'un point de terminaison de complétion de chat, et consultez le tableau des prix en direct sur la page pour les tarifs actuels.

La principale limite à garder à l'esprit est la longueur du clip. L'API Sync sert de l'audio jusqu'à 120 secondes, les enregistrements plus longs sortent donc de ce que ce modèle est configuré pour gérer dans un seul appel synchrone, et vous auriez besoin d'une approche différente ou d'un modèle différent pour ceux-ci. Si votre tâche est la génération de texte, le chat ou quoi que ce soit au-delà de la reconnaissance vocale, ce modèle n'est pas le bon choix, puisque son entrée est l'audio et sa sortie est une transcription.