AssemblyAI: Universal-3.5 Pro

AssemblyAI: Universal-3.5 Proは、AssemblyAIの音声テキスト変換モデルであり、プロバイダーのSync APIを通じて提供されます。文字起こしカテゴリに属するため、その役割は狭く特定的です。チャット、推論、生成タスクを処理するのではなく、音声をテキストに変換することです。文字起こしが必要なものを構築している場合、これは他の文字起こしオプションと並べて評価する種類のモデルです。

このモデルは音声のみを入力として受け取り、出力として文字起こしを返します。単一の同期レスポンスで、単語レベルのタイムスタンプを含む完全な文字起こしを生成します。つまり、別途アラインメント処理を行うことなく、各単語のタイミング情報を取得できます。Sync APIの経路は最大120秒の音声クリップ向けに設計されているため、このモデルは長いファイルではなく短い録音で機能します。このモデルにはコンテキストウィンドウが記載されておらず、最大出力はゼロとして記録されています。これは、通常の意味でのトークン予算を持つテキスト生成モデルではないことを反映しています。

実用的な用途は、これらの特性から直接導かれます。単語レベルのタイムスタンプは、各単語に時間オフセットが必要な字幕やキャプションの生成に適しています。短いクリップは、ボイスノート、サポート通話の断片、短いインタビュー、ボイスメモの文字起こしで一般的であるため、1回のレスポンスで完全な文字起こしを返す同期呼び出しは、バッチジョブを待てないインタラクティブなツールに適しています。レスポンスが同期であるため、リクエストとレスポンスのフローに組み込むことができます。例えば、ユーザーがクリップをアップロードし、同じインタラクション内で文字起こしとタイミングを受け取る場合です。

モデルID「assemblyai/universal-3-5-pro」を使用して、api14のOpenAI互換APIを通じて呼び出します。リクエストは音声入力を持ち、レスポンスは単語レベルのタイムスタンプを含む文字起こしを返します。このモデルにはサポートされているパラメータが記載されていないため、サンプリング制御、temperature、top_p、または同様の生成設定を渡すことは期待できません。文字起こしの動作はプロバイダーによって固定されています。チャット補完エンドポイントではなく文字起こしエンドポイントとして扱い、現在の料金についてはページ上の最新価格表を確認してください。

留意すべき主な制限はクリップの長さです。Sync APIは最大120秒の音声を提供するため、より長い録音はこのモデルが単一の同期呼び出しで処理するように設定されている範囲外となり、それらには別のアプローチまたは別のモデルが必要になります。タスクがテキスト生成、チャット、または音声テキスト変換以外のものである場合、このモデルは適していません。その入力は音声であり、出力は文字起こしだからです。