AssemblyAI: Universal-3.5 Pro

AssemblyAI: Universal-3.5 Pro adalah model speech-to-text dari AssemblyAI, yang disajikan melalui Sync API milik provider tersebut. Model ini berada dalam kategori transkripsi, sehingga tugasnya sempit dan spesifik: mengubah audio menjadi teks, bukan menangani tugas chat, reasoning, atau generation. Jika Anda membangun sesuatu yang membutuhkan transkrip, inilah jenis model yang akan Anda evaluasi bersama opsi transkripsi lainnya.

Model ini menerima audio sebagai satu-satunya input dan mengembalikan transkripsi sebagai output. Model ini menghasilkan transkrip lengkap dengan timestamp tingkat kata dalam satu respons sinkron, yang berarti Anda mendapatkan informasi waktu untuk setiap kata tanpa langkah penyelarasan terpisah. Jalur Sync API dirancang untuk klip audio hingga 120 detik, jadi model ini bekerja pada rekaman pendek, bukan file panjang. Tidak ada context window yang dicantumkan untuk model ini, dan output maksimum tercatat sebagai nol, yang mencerminkan bahwa ini bukan model generation teks dengan anggaran token dalam pengertian biasa.

Kegunaan praktisnya mengikuti langsung dari sifat-sifat tersebut. Timestamp tingkat kata membuatnya cocok untuk pembuatan subtitle dan caption, di mana setiap kata memerlukan offset waktu. Klip pendek umum ditemukan pada voice note, potongan panggilan dukungan, wawancara singkat, dan transkripsi voice memo, sehingga panggilan sinkron yang mengembalikan transkrip lengkap dalam satu respons cocok untuk alat interaktif yang tidak bisa menunggu batch job. Karena responsnya sinkron, Anda dapat menghubungkannya ke alur request dan response, misalnya pengguna mengunggah klip dan menerima transkrip beserta timing-nya kembali dalam interaksi yang sama.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "assemblyai/universal-3-5-pro". Request membawa input audio, dan response mengembalikan transkrip dengan timestamp tingkat kata. Model ini tidak mencantumkan parameter yang didukung, jadi Anda sebaiknya tidak mengharapkan untuk memberikan kontrol sampling, temperature, top_p, atau pengaturan generation serupa; perilaku transkripsinya ditetapkan oleh provider. Perlakukan ini sebagai endpoint transkripsi, bukan endpoint chat completion, dan periksa tabel harga langsung di halaman untuk tarif terkini.

Batasan utama yang perlu diingat adalah panjang klip. Sync API melayani audio hingga 120 detik, sehingga rekaman yang lebih panjang berada di luar cakupan yang siap ditangani model ini dalam satu panggilan sinkron, dan Anda memerlukan pendekatan berbeda atau model berbeda untuk itu. Jika tugas Anda adalah generation teks, chat, atau apa pun di luar speech-to-text, model ini bukan pilihan yang tepat, karena inputnya adalah audio dan outputnya adalah transkripsi.