AssemblyAI 发布 Dictation API：专为语音输入优化的智能纠错与格式重构引擎
在语音输入应用中，用户往往面临尴尬的“逐字记录”困境：犹豫的“um”、中途改口的句子、以及拼写错误的名字，都会原封不动地出现在最终文本中。AssemblyAI 今天正式推出了 Dictation API，这是其首款专为语音输入（Dictation）场景而生的 API，旨在解决从“听到”到“发送”之间的最后一公里问题。
核心突破：从逐字转录到智能直达
传统的语音识别（STT）模型设计初衷是“逐字记录”，它们追求高准确率地复现每一个发音，但这恰恰是语音输入应用的大忌。Dictation API 基于 AssemblyAI 旗舰模型 Universal-3.5 Pro，在保留用户语气和风格的同时，执行了深度的语义理解与文本重构。
三大核心能力
-
自我修正与填充词过滤 当用户在说话过程中改变主意（例如："ship it tuesday no wait wednesday"），Dictation API 能智能识别并保留最终意图（"Ship it Wednesday"），同时自动过滤掉"um"、"uh"等填充词，但保留用户的说话节奏和语调。
-
专有名词拼写校正 针对用户关心的特定名称（如同事名字、产品名、内部术语），开发者可通过
keyterms_prompt参数引导模型。即使模型未见过该名称，也能优先匹配用户输入的拼写，避免通用模型常见的拼写错误。 -
动态格式重构 通过
llm_instruction参数，开发者可以指定输出格式。例如，将一段口语指令自动转换为待办事项列表（Bullet points），或提取关键步骤，完全适配 Slack、CRM 或医疗记录等特定应用场景。
技术架构与性能指标
Dictation API 并非简单的后处理脚本，而是深度集成了 LLM 指令微调能力。
- 底层模型：运行在 Universal-3.5 Pro 之上，该模型在独立基准测试中排名第一，具备极高的基础准确率。
- 多语言支持：覆盖 19 种语言，满足全球化团队需求。
- 极致低延迟：针对短音频片段，平均响应时间（Time to finished text）低至 0.36 秒。API 支持流式分片上传，用户松开按键后大部分内容已处理完毕。
- 容错机制：请求限制为 5 秒，超时不会报错，而是返回原始文本并标记
llm_error: "timeout"，确保用户体验流畅。
开发者价值与应用场景
对于构建语音输入应用的团队，Dictation API 将原本复杂的 NLP 任务（如意图识别、实体对齐、文本清洗）封装为单一请求。开发者只需关注业务逻辑，无需自行训练针对特定领域的纠错模型。
“我们构建 Dictation API，是因为一个错误的单词是不可挽回的，而格式错误是可以修正的。我们的目标是将用户的语音意图无损地转化为可发送的文本。” —— AssemblyAI 团队
该 API 现已开放，开发者可使用现有 API Key 免费试用，迅速集成到即时通讯、会议记录或智能客服等场景中。
