AssemblyAI

AssemblyAI 是一家领先的人工智能公司，专注于语音识别和理解。它通过一个可扩展的单一 API 提供一整套 AI 模型，使开发者和企业能够释放其语音数据的价值。AssemblyAI 受到顶级初创公司和全球企业的信赖，为构建依赖于准确且富有洞察力的音频处理的世界级产品提供了基础技术。该平台旨在处理从以行业领先的准确度转录预录制音频文件，到为交互式语音应用处理实时音频流的各种任务。

如何使用 AssemblyAI

AssemblyAI 的入门过程对开发者来说非常简单直接。主要交互方式是通过其强大的 API。以下是典型的工作流程：

1. 获取 API 密钥： 在 AssemblyAI 网站上注册一个免费账户，即可获得一个 API 密钥和 50 美元的免费额度用于评估。
2. 选择模型： 根据您的需求选择合适的模型。使用“Universal”模型进行 99 多种语言的高精度转录，“Slam-1”模型用于法律或医疗等专业领域，或使用“Universal-Streaming”模型用于语音代理等实时应用。
3. 使用 SDK 或直接调用 API： 使用官方 SDK（支持 Python、JavaScript 等流行语言）或通过直接向 API 端点发出 HTTP 请求，将 AssemblyAI 集成到您的应用程序中。其文档清晰全面，为各种用例提供了代码示例。
4. 提交音频： 将您的音频数据发送到 API。这可以是一个预录制的文件（通过提供 URL 或上传），也可以是一个实时音频流。
5. 接收结构化数据： API 处理音频后，会返回一个结构化的 JSON 响应，其中包含转录文本、时间戳、说话人标签以及您请求的任何其他见解，如情感分析、摘要或检测到的主题。
6. 在 Playground 中测试： 对于非开发者或需要快速测试的用户，AssemblyAI 提供了一个无代码的 Playground，您可以在其中上传音频文件并实时查看模型的输出，无需编写任何代码。

AssemblyAI 的核心功能

• 语音转文本： 为预录制音频文件提供高精度转录。在字母数字、专有名词和文本格式化方面的准确性行业领先，幻觉（hallucinations）比竞争对手少 30%。
• 流式语音转文本： 以超低延迟实时转录实时音频和视频。“Universal-Streaming”模型专为语音代理构建，提供精确的说话轮次结束检测和高准确性，实现流畅、类似人类的对话。
• 语音理解（音频智能）： 一套超越简单转录的模型，提供深度见解。这包括摘要生成、PII 编辑（针对音频和文本）、实体检测、主题检测、情感分析、内容审核和自动章节。
• 高级说话人分离： 在单个音频文件中准确识别和标记不同的说话人。
• 自动语言检测： 从超过 99 种支持的语言列表中自动检测音频文件中所说的语言。
• LeMUR（利用大型语言模型理解富媒体）： 一个框架，允许您将强大的 LLM（如 Anthropic 的 Claude 系列）直接应用于您的转录文本，以执行复杂任务，如对内容提问、生成摘要或提取自定义信息。
• 开发者优先平台： 提供全面的文档、可靠的 SDK 和可扩展的基础设施，每月处理超过 6 亿次推理调用。

AssemblyAI 的使用案例

AssemblyAI 的技术为各行各业的广泛应用提供支持：

• 语音代理： 为客户服务、预约安排和其他自动化任务构建响应迅速、类似人类的语音机器人。低延迟的流式 API 确保对话自然流畅。
• 对话智能： 分析销售和支持电话，以提取关键主题、客户情绪和座席绩效指标。公司利用此功能提高赢单率、改进培训并提升客户满意度。
• 媒体与内容创作： 自动转录播客、访谈和视频内容，以创建字幕、节目笔记和可搜索的档案。自动章节功能可以为关键部分自动生成时间戳。
• 会议转录： 生成虚拟会议的准确转录和摘要，以提高生产力并确保不会丢失关键信息。
• 合规与审核： 自动从通话录音中编辑个人身份信息（PII），以满足 GDPR 和 HIPAA 等合规标准。内容审核功能可以标记有害或不当内容。

AssemblyAI 的优势特点

选择 AssemblyAI 具有以下几个关键优势：

• 无与伦比的准确性： 建立在最可靠的音频输出基础上，在无偏见的评估中受到最终用户的青睐。
• 可扩展性与可靠性： 基础设施旨在从几次 API 调用轻松扩展到数百万次，具有高并发性和可定制的速率限制。
• 全面的解决方案： 这是一个集转录和深度音频分析于一体的平台，减少了集成多个服务的需求。
• 持续创新： AssemblyAI 以研究为先，不断改进其模型，并每周发布更新和功能，使客户保持在技术前沿。
• 企业级安全： 通过 SOC 2 Type 2、GDPR、HIPAA 和 ISO 27001 合规性，确保您的数据私密和安全。
• 透明且可扩展的定价： 按需付费模式和批量折扣确保成本不会成为构建和扩展创新产品的障碍。

定价和计划

AssemblyAI 提供灵活的定价结构，旨在随您的使用量扩展。

• 免费计划： 非常适合开发和测试，此计划包括 50 美元的免费额度，足以进行约 185 小时的预录制音频转录或 333 小时的流式传输。并发性有限。
• 按需付费： 这是标准的生产就绪计划，无任何承诺。定价基于使用量：
  • 预录制语音转文本（Universal & Slam-1 模型）： 每小时 0.27 美元。
  • 流式语音转文本（Universal-Streaming 模型）： 每小时 0.15 美元。
  • 音频智能模型： 按功能定价，例如，摘要生成每小时 0.03 美元，PII 编辑每小时 0.08 美元。
  • LeMUR（LLM 使用）： 按每 1000 个 token 定价，根据所选的 LLM 而异（例如，Claude 3.5 Sonnet 输入 token 为 0.003 美元/千，输出 token 为 0.015 美元/千）。
• 定制计划： 适用于需要自定义批量折扣、专用基础设施、本地部署选项或自定义模型配置的大型企业。请联系销售团队获取量身定制的解决方案。

计费方式是向您的账户存入资金，然后在使用 API 时消耗。多声道音频按声道计费。