AssemblyAI: Universal-3.5 Pro

AssemblyAI: Universal-3.5 Pro, AssemblyAI का एक speech-to-text मॉडल है, जो प्रोवाइडर के Sync API के माध्यम से उपलब्ध कराया जाता है। यह transcription श्रेणी में आता है, इसलिए इसका काम सीमित और विशिष्ट है: चैट, रीज़निंग या जनरेशन कार्यों को संभालने के बजाय ऑडियो को टेक्स्ट में बदलना। अगर आप ऐसा कुछ बना रहे हैं जिसे ट्रांसक्रिप्ट चाहिए, तो यह उस प्रकार का मॉडल है जिसका मूल्यांकन आप अन्य transcription विकल्पों के साथ करेंगे।

मॉडल अपने इनपुट के रूप में केवल ऑडियो लेता है और आउटपुट के रूप में transcription लौटाता है। यह एक ही synchronous प्रतिक्रिया में word-level timestamps के साथ पूरा ट्रांसक्रिप्ट तैयार करता है, जिसका मतलब है कि आपको हर शब्द की टाइमिंग जानकारी बिना किसी अलग alignment चरण के मिल जाती है। Sync API पथ 120 सेकंड तक के ऑडियो क्लिप के लिए बनाया गया है, इसलिए मॉडल लंबी फ़ाइलों के बजाय छोटी रिकॉर्डिंग पर काम करता है। इस मॉडल के लिए कोई context window सूचीबद्ध नहीं है, और अधिकतम आउटपुट शून्य दर्ज है, जो दर्शाता है कि यह सामान्य अर्थ में token बजट वाला टेक्स्ट जनरेशन मॉडल नहीं है।

व्यावहारिक उपयोग सीधे इन विशेषताओं से निकलते हैं। Word-level timestamps इसे subtitle और caption जनरेशन के लिए उपयुक्त बनाते हैं, जहाँ हर शब्द के लिए एक time offset चाहिए होता है। छोटी क्लिप voice notes, support call snippets, छोटे इंटरव्यू और voice memo transcription में आम हैं, इसलिए एक synchronous कॉल जो एक ही प्रतिक्रिया में पूरा ट्रांसक्रिप्ट लौटाती है, ऐसे इंटरैक्टिव टूल के लिए उपयुक्त है जो batch job पर प्रतीक्षा नहीं कर सकते। चूँकि प्रतिक्रिया synchronous है, आप इसे request और response प्रवाह में जोड़ सकते हैं, उदाहरण के लिए उपयोगकर्ता एक क्लिप अपलोड करता है और उसी इंटरैक्शन में ट्रांसक्रिप्ट और टाइमिंग वापस पाता है।

आप इसे api14 के OpenAI-compatible API के माध्यम से मॉडल id "assemblyai/universal-3-5-pro" का उपयोग करके कॉल करते हैं। request में ऑडियो इनपुट होता है, और response word-level timestamps के साथ ट्रांसक्रिप्ट लौटाता है। मॉडल कोई supported parameters सूचीबद्ध नहीं करता, इसलिए आपको sampling controls, temperature, top_p या इसी तरह की generation settings पास करने की अपेक्षा नहीं करनी चाहिए; transcription व्यवहार प्रोवाइडर द्वारा तय किया गया है। इसे chat completion endpoint के बजाय transcription endpoint मानें, और वर्तमान दरों के लिए पेज पर मौजूद live price table देखें।

ध्यान में रखने योग्य मुख्य सीमा क्लिप की लंबाई है। Sync API 120 सेकंड तक का ऑडियो उपलब्ध कराता है, इसलिए लंबी रिकॉर्डिंग उस दायरे से बाहर हैं जिसे यह मॉडल एक synchronous कॉल में संभालने के लिए बनाया गया है, और उनके लिए आपको एक अलग दृष्टिकोण या अलग मॉडल की आवश्यकता होगी। यदि आपका कार्य टेक्स्ट जनरेशन, चैट या speech-to-text से आगे कुछ भी है, तो यह मॉडल उपयुक्त नहीं है, क्योंकि इसका इनपुट ऑडियो है और आउटपुट transcription है।