AssemblyAI: Universal-3.6 Pro

AssemblyAI: Universal-3.6 Pro to model zamiany mowy na tekst stworzony przez AssemblyAI. Jest następcą Universal-3.5 Pro i należy do kategorii transkrypcji, więc jego zadaniem jest zamiana nagranej lub strumieniowanej mowy na tekst pisany, a nie generowanie odpowiedzi konwersacyjnych. Na api14 jest udostępniany przez Sync API firmy AssemblyAI, co oznacza, że żądania są obsługiwane w przepływie synchronicznym, a nie przez zadanie wsadowe, które później odpyłujesz.

Model przyjmuje jako dane wejściowe wyłącznie audio i zwraca jako dane wyjściowe transkrypcję. Nie ma wejścia tekstowego, wejścia obrazowego ani generowanej prozy poza samą transkrypcją, więc nie jest to ogólny model czatu ani rozumowania. W porównaniu z Universal-3.5 Pro AssemblyAI podaje 30% mniej błędów w krótkiej mowie konwersacyjnej, co jest głównym twierdzeniem dotyczącym jakości związanym z tym wydaniem. Dla tego modelu nie podano okna kontekstu, a maksymalna wartość wyjściowa jest zapisana jako zero, więc długość transkrypcji należy traktować jako zależną od przesłanego audio, a nie od udokumentowanego budżetu tokenów. Data wydania przez dostawcę to 2026-10-14.

Praktyczne zastosowanie wynika bezpośrednio z tego kształtu. Jeśli masz audio, które ma stać się tekstem przeszukiwalnym, czytelnym lub przetwarzalnym maszynowo, to jest model do tego zadania: nagrania spotkań i rozmów, wywiady, notatki głosowe, audio podcastów lub wideo, rozmowy z pomocą techniczną i podobny materiał konwersacyjny. Ponieważ AssemblyAI podkreśla zyski w krótkiej mowie konwersacyjnej, obciążenia z wieloma krótkimi wymianami są naturalnym zastosowaniem. Dane wyjściowe to zwykła transkrypcja, więc zadania następcze, takie jak streszczanie, wyszukiwanie słów kluczowych, analiza sentymentu lub przegląd zgodności, byłyby obsługiwane przez osobny model tekstowy, który konsumuje transkrypcję.

Wywołujesz go przez API zgodne z OpenAI na api14, używając identyfikatora modelu "assemblyai/universal-3-6-pro", co oznacza, że istniejący kod klienta w stylu OpenAI może wskazywać na api14 i wybrać ten model bez dedykowanej integracji. Lista obsługiwanych parametrów modelu jest pusta, więc nie należy oczekiwać, że zwykłe kontrolki próbkowania, takie jak temperature czy top_p, będą tu miały zastosowanie; żądanie to zasadniczo audio plus identyfikator modelu. Jeśli potrzebujesz dodatkowego zachowania, sprawdź, co akceptuje endpoint, zamiast zakładać, że parametry czatu OpenAI mają zastosowanie.

Ponieważ nie opublikowano długości kontekstu, a maksymalne wyjście jest podane jako zero, planuj wokół przesyłanego audio, a nie wokół udokumentowanego limitu tokenów. Zwróć też uwagę na granicę: ten model tworzy wyłącznie transkrypcje, więc każde zadanie wymagające podążania za instrukcjami, tłumaczenia na przepisany tekst, ustrukturyzowanego wyjścia JSON lub dialogu wieloetapowego lepiej obsłuży model generowania tekstu, a ten należy najpierw wykorzystać do utworzenia transkrypcji.