NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

Nemotron 3.5 ASR Streaming Multilingual 0.6B من NVIDIA يفرّغ الكلام إلى نص بعلامات ترقيم باستخدام مشفّر متدفق واعٍ بذاكرة التخزين المؤقت. يدعم توجيه التعرف عبر تحديد اللغة صراحةً أو الكشف التلقائي عنها، مع 32 إعدادًا لغويًا محليًا جاهزًا للتفريغ وثمانية تتطلب التكييف.

Ailoot Ultra · تفريغ صوتي POST /v1/audio/transcriptions nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

عن النموذج

يغطي هذا الوصف قدرات النموذج. وترد أدناه المدخلات والمخرجات والخيارات المتاحة في Ailoot للطريقة المحددة.

Nemotron 3.5 ASR Streaming Multilingual 0.6B هو نموذج NVIDIA للتعرف على الكلام، يضم 600 مليون معلمة، ومخصص للتفريغ المباشر وأحمال معالجة الصوت المسجل. يوسّع سلسلة النماذج المتدفقة الإنجليزية بإضافة توجيه قائم على معرّف اللغة. يتحول الكلام إلى نص بلغة المدخل، مع دمج علامات الترقيم واستخدام الأحرف الكبيرة في المخرج.

تقسم تغطية اللغات لدى المطوّر إلى ثلاث فئات. تشمل الفئة الجاهزة للتفريغ تسعة عشر إعدادًا لغويًا محليًا: الإنجليزية في الولايات المتحدة والمملكة المتحدة، والإسبانية في الولايات المتحدة وإسبانيا، والفرنسية في فرنسا وكندا، والإيطالية، والبرتغالية في البرازيل والبرتغال، والهولندية والألمانية والتركية والروسية والعربية والهندية واليابانية والكورية والفيتنامية والأوكرانية. وتضيف فئة التغطية الواسعة ثلاثة عشر إعدادًا لغويًا محليًا: البولندية والسويدية والتشيكية والنرويجية بوكمال والدنماركية والبلغارية والفنلندية والكرواتية والسلوفاكية والصينية المندرينية والمجرية والرومانية والإستونية. وتنتج هذه الإعدادات المحلية البالغ عددها 32 تفريغًا دون ضبط دقيق إضافي.

هناك ثمانية إعدادات لغوية محلية جاهزة للتكييف، هي اليونانية والليتوانية واللاتفية والمالطية والسلوفينية والعبرية والتايلاندية والنرويجية نينورسك، يتعرف عليها مُجزّئ الرموز، لكنها تتطلب ضبطًا دقيقًا على بيانات المجال لتمكين التفريغ الكامل. لذلك لا يعني رقم 40 إعدادًا لغويًا محليًا لدى المنتج أن الأربعين كلها تتمتع بالقدرة نفسها فور استخدامها. ونقطة التحقق المخصصة مخرج مستقل عن النموذج الأساسي.

تجمع البنية بين مشفّر FastConformer من 24 طبقة واعٍ بذاكرة التخزين المؤقت ومفكك ترميز RNN-T. يحتفظ المشفّر بحالات الانتباه والالتفاف من الإطارات السابقة، ويعالج كل جزء صوتي جديد دون إعادة حساب النوافذ المتداخلة مرارًا. وتُقدَّم إشارة معرّف اللغة إلى جانب التمثيل الصوتي لتوجيه التفريغ أو السماح للنموذج باستنتاج اللغة.

يوثق إعداد NVIDIA في NeMo أحجام أجزاء تبلغ 80 و160 و320 و560 و1120 مللي ثانية. ويتحكم إعداد الانتباه في مقدار الصوت اللاحق الذي يستقبله الجزء قبل إخراج النص، بما يتيح للمهمة الموازنة بين زمن الانتظار والسياق الصوتي. هذه إعدادات تدفق لدى المنتج، وليست أزمنة استجابة مضمونة من البداية إلى النهاية؛ وقد يتيح تنفيذ معين مجموعة فرعية مدعومة خاصة به.

جهّز صوت WAV أحادي القناة بمعدل أخذ عينات 16 kHz لدى معالج المنتج. وعندما تكون اللغة معلومة، استخدم التوجيه وفق الإعداد اللغوي المحلي المقابل؛ أما الوضع التلقائي فيكشف اللغة المنطوقة. يستخدم المثال الأساسي لمسار المعالجة مطالبة بالإنجليزية الأمريكية افتراضيًا، لذا ينبغي ضبط السلوك متعدد اللغات عمدًا بدل افتراضه من ذلك المثال.

في الوضع التلقائي، يمكن لمسار عمل المنتج إلحاق وسم لغة بعد علامة الترقيم الختامية للنص المفرغ. يتيح الاحتفاظ بالوسم معلومات اللغة لتطبيق يتعامل مع مدخلات بلغات مختلطة؛ وتؤدي إزالته إلى نص تفريغ خالٍ من الوسم. حافظ على التمييز بين الكلمات المتعرّف عليها وعلامات ترقيمها وبيانات اللغة الوصفية هذه عند عرض النتيجة أو معالجتها.

يمكن لتطبيق ترجمة مرئية تمرير الصوت بالترتيب وجمع التفريغ واستخدام النص المكتمل للعرض أو المعالجة اللاحقة. ويمكن لتطبيق صوتي تمرير الكلام المتعرّف عليه إلى مرحلة فهم اللغة لديه. ويمكن لأعمال تحليل المكالمات الاحتفاظ بالتسجيل الأصلي والتفريغ معًا، حتى تظل الأسماء والأرقام والمصطلحات غير المألوفة قابلة للفحص. يوفر نموذج ASR التفريغ؛ أما التلخيص والإجراءات وتوليد الكلام فهي مراحل منفصلة في التطبيق.

تدرّب NVIDIA النموذج على مزيج من بيانات الكلام العامة والمملوكة، مع تسميات بشرية واصطناعية موحّدة إلى نص مضبوط بعلامات الترقيم واستخدام الأحرف الكبيرة. ويشدد دليل التكييف على مطابقة تسميات اللغة وأسلوب النص، ثم تقييم صوت مخصص للاختبار لم يُستخدم في التدريب وفق إعداد التدفق المقصود للاستخدام. ويصف تكييف اللغة واللهجة والمجال، دون اعتبار النتائج المخصصة خصائص لنقطة التحقق الأصلية.

تربط بطاقة النموذج الطول العملي للتسجيل بالذاكرة المتاحة بدل نشر سقف زمني شامل واحد. أبقِ الإصدار متعدد اللغات متميزًا عن النموذج الداعم للإنجليزية وحدها، واحتفظ باللغة المختارة وإعداد التدفق مع نتيجة التفريغ. المخرج هو النص المتعرّف عليه مع بيانات اللغة الوصفية الاختيارية لدى المنتج، وليس إجابة محادثة عامة.

Ailoot Ultra · تفريغ صوتي POST /v1/audio/transcriptions nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

NVIDIA /nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

البداية

المدخلات المقبولة: الصوت
النتائج: النص

متاح في Ailoot · المدخلات والطرائق

Ailoot Ultra · تفريغ صوتي POST /v1/audio/transcriptions

الإدخال: audio
الإخراج: text

الحقل	النوع	المتطلب	القيم والحدود	القيمة الافتراضية
الحقل`model`	النوع`string`	المتطلبمطلوب	القيم والحدود nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b	القيمة الافتراضية—
الحقل`input_audio`	النوع`object`	المتطلبمطلوب	القيم والحدود	القيمة الافتراضية—
الحقل`language`	النوع`string`	المتطلباختياري	القيم والحدود	القيمة الافتراضية—
الحقل`temperature`	النوع`number`	المتطلباختياري	القيم والحدود الحد الأدنى: ⁦0⁩ الحد الأقصى: ⁦1⁩	القيمة الافتراضية—
الحقل`response_format`	النوع`string`	المتطلباختياري	القيم والحدود json, verbose_json	القيمة الافتراضيةjson
الحقل`timestamp_granularities`	النوع`array`	المتطلباختياري	القيم والحدود	القيمة الافتراضية—
الحقل`provider`	النوع`object`	المتطلباختياري	القيم والحدود	القيمة الافتراضية—

معلمات الطريقة ودورة حياتها

المعلمة	المواصفات
المعلمة`content_type`	المواصفاتapplication/json
المعلمة`required`	المواصفاتmodel, input_audio
المعلمة`material_types`	المواصفاتaudio
المعلمة`material_conditions`	المواصفاتاقرأ ملف WAV فعلياً ورمّز بايتاته الحقيقية لإدخال input_audio المُعلَن بصيغة JSON؛ ولا يُعرَض مسار multipart لهذا التعريف المحدد الذي يدعم JSON فقط.

دورة الحياة: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · قيمة task_id الفعلية المُعادة أو سجل مكتبة الوسائط

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

الباقات

كيفية احتساب الرسوم النهائية

تقدّر التعرفات المعروضة التكلفة قبل التوليد. تُحسب الرسوم النهائية من التكلفة المسجّلة لعملية التوليد الأصلية. مدة المخرجات المقاسة والكميات المتوقعة ليست الكمية النهائية الخاضعة للفوترة.

مراجع التسعير لا تضيف خيارات للطلب. المعلمات المدعومة مذكورة للطريقة المحددة.

الوضع السريع: غير محدد عند اختيار الوضع السريع
الوضع المرن: غير محدد عند اختيار وضع flex
أقصى جهد للاستدلال: غير محدد عندما يُطبَّق الضبط الافتراضي default مع أقصى جهد للاستدلال

تعرفات تقديرية للمقارنة

الأسعار حسب الإعدادات

طابق كل رسم مع الشروط المعروضة. طبّق تعرفة واحدة لكل مجموعة من الإعدادات البديلة.

الإعدادات	جدول التعرفة	الكمية المتوقعة	وحدة الفوترة	الرسوم
الإعداداتالتعرفات الأساسية للرموز	جدول التعرفةالتعرفة الأساسية	الكمية المتوقعة—	وحدة الفوترة—	الرسوم الإدخال · رموز الإدخال · تقدير للمقارنة فقط — / 1K من الرموز الإخراج · رموز الإخراج · تقدير للمقارنة فقط — / 1K من الرموز الإدخال · قراءة ذاكرة التخزين المؤقت · تقدير للمقارنة فقط — / 1K من الرموز الإدخال · الكتابة إلى ذاكرة التخزين المؤقت · تقدير للمقارنة فقط — / 1K من الرموز الإدخال · الكتابة إلى ذاكرة التخزين المؤقت، 1 ساعة · تقدير للمقارنة فقط — / 1K من الرموز
الإعداداتثانية صوت مُدخل	جدول التعرفة—	الكمية المتوقعة—	وحدة الفوترةلكل ثانية صوت مُدخل	الرسوم الإدخال · ثانية صوت مُدخل · تقدير للمقارنة فقط $0.00000666 لكل ثانية صوت مُدخل
الإعداداتتكلفة التوليد التقديرية	جدول التعرفة—	الكمية المتوقعةتقدير لتوليد واحد	وحدة الفوترة—	الرسوم الإخراج · تكلفة التوليد التقديرية · تقدير للمقارنة فقط $0.00000666 تقدير قبل الإنشاء هذا التقدير ليس رسومًا إضافية ولا تعرفة ثابتة لعملية التوليد المكتملة.

تحجز Ailoot مبلغًا تقديريًا قبل الطلب. وبعد ظهور النتيجة، تُسوّي الرسوم النهائية بناءً على الاستخدام المقاس. وتستخدم تسوية البث سجل الاستخدام النهائي. كيفية عمل حجز المبلغ وتسوية الرسوم →

أمثلة للطلبات

Ailoot Ultra · تفريغ صوتي

curl · جسم الطلب بالصيغة الأصلية دون تغيير والنتيجة كاملة

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.

استلام النتائج وحفظها

Ailoot Ultra · تفريغ صوتي

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

عمليات أخرى لقراءة المحتوى

قراءة الأصول الموجودة المملوكة لك

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.

الاحتفاظ بكل النتائج المكتملة

احتفظ بكل استجابة كاملة وكل ملف وجزء محتوى تم إرجاعه.

احتفظ بالاستجابة كاملة وبجميع الترويسات، وبكل مخرج فعلي، وبالمعرّفات الأصلية المُعادة، وبجميع حقول الاستخدام. استعد العملية الأصلية دون إرسال طلب الإنشاء مجددًا.

عند الحاجة إلى التحقق من الاستجابة الأصلية

احتفظ بقيمة X-Client-Request-ID المُعادة للمطابقة. اقرأ فقط قيم task_id/asset_id الفعلية المُعادة أو مكتبة الوسائط المملوكة لك؛ ولا تنشئ عنوان URL لمهمة من معرّف العملية، ولا تُعِد إرسال طلب الإنشاء مطلقًا.

حقول الاستجابة

الحقل	النوع
الحقل`text`	النوع
الحقل`usage`	النوع
الحقل`segments[]`	النوع
الحقل`words[]`	النوع
الحقل`speaker fields`	النوع
الحقل`timestamps`	النوع

الأسماء البديلة

الأسماء البديلة للنموذج

Ailoot Ultra nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

الأسماء البديلة لمسارات الطرائق

استخدم مسارات الطرائق المعروضة أعلاه.

معرّفات النماذج ذات الصلة IDs

nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

FAQ · NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

ما المدخلات والنتائج المتاحة؟: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: audio → text
ما الحقول التي يستخدمها الطلب؟: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
ما الحدود المطبقة؟: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: temperature.minimum: 0; temperature.maximum: 1

NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B