AssemblyAI: Universal-3.5 Pro

AssemblyAI: Universal-3.5 Pro, AssemblyAI tarafından sunulan ve sağlayıcının Sync API'si üzerinden hizmet verilen bir konuşmadan metne dönüştürme modelidir. Transkripsiyon kategorisinde yer alır, dolayısıyla görevi dar ve belirgindir: sohbet, akıl yürütme veya üretim görevlerini ele almak yerine sesi metne dönüştürmek. Bir transkripte ihtiyaç duyan bir şey geliştiriyorsanız, bu model diğer transkripsiyon seçenekleriyle birlikte değerlendireceğiniz türden bir modeldir.

Model tek girdi olarak sesi alır ve çıktı olarak bir transkripsiyon döndürür. Tek bir senkron yanıtta kelime düzeyinde zaman damgalarıyla eksiksiz bir transkript üretir, bu da her kelime için zamanlama bilgisini ayrı bir hizalama adımı olmadan elde ettiğiniz anlamına gelir. Sync API yolu 120 saniyeye kadar ses klipleri için tasarlanmıştır, dolayısıyla model uzun dosyalar yerine kısa kayıtlar üzerinde çalışır. Bu model için listelenmiş bir bağlam penceresi yoktur ve maksimum çıktı sıfır olarak kaydedilmiştir; bu da onun olağan anlamda token bütçesine sahip bir metin üretim modeli olmadığını yansıtır.

Pratik kullanımlar doğrudan bu özelliklerden kaynaklanır. Kelime düzeyinde zaman damgaları, her kelimenin bir zaman ofsetine ihtiyaç duyduğu altyazı ve caption üretimi için onu uygun kılar. Kısa klipler sesli notlarda, destek çağrısı kesitlerinde, kısa röportajlarda ve sesli memo transkripsiyonunda yaygındır, dolayısıyla tam transkripti tek bir yanıtta döndüren senkron bir çağrı, bir toplu işi bekleyemeyen etkileşimli araçlara uygundur. Yanıt senkron olduğu için onu bir istek ve yanıt akışına bağlayabilirsiniz; örneğin bir kullanıcı bir klip yükler ve aynı etkileşimde transkripti ve zamanlamaları geri alır.

Onu api14'ün OpenAI uyumlu API'si üzerinden "assemblyai/universal-3-5-pro" model id'sini kullanarak çağırırsınız. İstek ses girdisini taşır ve yanıt, kelime düzeyinde zaman damgalarıyla transkripti döndürür. Model desteklenen parametre listelemez, dolayısıyla örnekleme kontrolleri, temperature, top_p veya benzer üretim ayarlarını geçirmeyi beklememelisiniz; transkripsiyon davranışı sağlayıcı tarafından sabitlenmiştir. Ona bir sohbet tamamlama uç noktası değil, bir transkripsiyon uç noktası olarak davranın ve güncel ücretler için sayfadaki canlı fiyat tablosuna bakın.

Akılda tutulması gereken ana sınır, klip uzunluğudur. Sync API 120 saniyeye kadar sese hizmet verir, dolayısıyla daha uzun kayıtlar bu modelin tek bir senkron çağrıda ele almak üzere ayarlandığı kapsamın dışında kalır ve bunlar için farklı bir yaklaşıma veya farklı bir modele ihtiyacınız olur. Göreviniz metin üretimi, sohbet veya konuşmadan metne dönüştürmenin ötesinde bir şeyse, bu model doğru seçim değildir, çünkü girdisi ses ve çıktısı bir transkripsiyondur.