NVIDIA: Parakeet TDT 0.6B v3

Parakeet TDT 0.6B v3 من NVIDIA هو نموذج لتحويل الكلام إلى نص، يضم 600M معلمة ويدعم 25 لغة أوروبية مع الكشف التلقائي عن اللغة. ينتج نصوصًا مفرغة بعلامات ترقيم ويدعم الطوابع الزمنية للكلمات والمقاطع، مع أوضاع للصوت الطويل ترتبط بإعداد الانتباه لدى المنتج.

Ailoot Ultra · تفريغ صوتي POST /v1/audio/transcriptions nvidia/parakeet-tdt-0.6b-v3

عن النموذج

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

Parakeet TDT 0.6B v3 هو نموذج NVIDIA متعدد اللغات للتعرف على الكلام، ويضم 600 مليون معلمة. يوسّع النموذج v2، الذي يدعم الإنجليزية وحدها، ليشمل 25 لغة أوروبية، ويكشف تلقائيًا عن لغة الصوت دون مطالبة منفصلة تحدد اللغة. والنتيجة نص مفرغ للكلام، يتضمن علامات الترقيم واستخدام الأحرف الكبيرة.

اللغات المدعومة هي البلغارية والكرواتية والتشيكية والدنماركية والهولندية والإنجليزية والإستونية والفنلندية والفرنسية والألمانية واليونانية والمجرية والإيطالية واللاتفية والليتوانية والمالطية والبولندية والبرتغالية والرومانية والسلوفاكية والسلوفينية والإسبانية والسويدية والروسية والأوكرانية. تخص هذه القائمة الإصدار v3؛ أما أنواع مفكك الترميز الأخرى والنسخ اللغوية الأخرى من Parakeet فهي نماذج منفصلة.

تجمع البنية بين مشفّر FastConformer ومفكك ترميز من نوع المحوّل القائم على الرموز والمدد. يحوّل المشفّر الإشارة الصوتية إلى تمثيلات، ويتنبأ مفكك الترميز بالرموز النصية إلى جانب المدد اللازمة للتقدم عبر إطارات الصوت. ويميّز هذا السلوك في TDT النموذج عن مفككات الترميز CTC وRNN-T التقليدية في العائلة.

جهّز صوتًا أحادي القناة بمعدل أخذ عينات 16 kHz. تنسيقا الإدخال المباشر لدى المطوّر هما WAV وFLAC، وتستخدم أمثلة التنفيذ لديه معالجًا لتهيئة الموجة الصوتية للتعرف عليها. احتفظ بمعرّف التسجيل والصوت الأصلي إلى جانب النص المسترجع، حتى يمكن مراجعة التفريغ أو محاذاته مع المصدر.

تضيف الطوابع الزمنية معلومات التوقيت إلى الكلام المتعرّف عليه. يعيد مثال NVIDIA في NeMo توقيتات الأحرف والكلمات والمقاطع عند تفعيل توليد الطوابع الزمنية. ويمكن لتطبيق ترجمة مرئية أو أرشفة استخدام حدود المقاطع لربط فقرة بالتسجيل، أو توقيتات الكلمات للوصول إلى عبارة محددة. النص المفرغ وحقول توقيته أجزاء مختلفة من النتيجة، وينبغي إبقاؤها مترابطة.

في التسجيلات الطويلة، يكون لإعداد الانتباه أثر مهم. يصف المطوّر مدة تصل إلى 24 دقيقة مع الانتباه الكامل على بطاقة A100 بذاكرة 80 GB، ومدة تصل إلى ثلاث ساعات مع الانتباه المحلي. ويحوّل مثال معالجة الصوت الطويل لديه المشفّر إلى الانتباه المحلي مع سياق محدود على اليسار واليمين. تصف هذه المدد إعدادات محددة لدى المنتج، وليست حدًا واحدًا غير مشروط لكل عملية نشر.

ينشر المصنّع أيضًا مسار استدلال قائمًا على التجزئة للاستخدام المتدفق. يحدد مثاله طول الجزء والسياق الصوتي على يسار كل جزء ويمينه. وهذه وصفة معالجة تختلف عن نموذج Nemotron المتدفق الأصلي الواعي بذاكرة التخزين المؤقت. وينبغي للتطبيق الاحتفاظ بالوصفة المختارة ومرجع التوقيت الأصلي عند تجميع تفريغ تسجيل عبر أقسامه.

يشمل مزيج التدريب 10,000 ساعة من الكلام المفرغ بشريًا و660,000 ساعة من بيانات Granary ذات التسميات المولّدة آليًا، مع الحفاظ على علامات الترقيم واستخدام الأحرف الكبيرة. ويدعم المنتج أيضًا الضبط الدقيق لنقطة التحقق المنشورة هذه على مجموعة أخرى من بيانات الكلام عبر مسار النموذج الموثق لديه؛ وتظل نقطة التحقق المضبوطة منفصلة عن النموذج الأساسي v3. لذا يناسب المخرج النصي للنموذج مرحلة تحويل الكلام إلى نص ضمن مسار عمل أكبر. ويمكن لأرشيف الاجتماعات إرفاق النص المفرغ بالتسجيل، ولتطبيق بحث فهرسة المقطع المتعرّف عليه، ولأداة ترجمة مرئية استخدام بيانات التوقيت الوصفية المسترجعة.

تختلف جودة التعرف باختلاف اللغة واللهجة والضوضاء ونوع الكلام. ويشير المنتج تحديدًا إلى احتمال عدم التقاط مفردات لم تُمثّل أثناء التدريب، وإلى أن الكلمات المنفردة أو الجمل غير المكتملة توفر سياقًا أضعف. احتفظ بالصوت الأصلي لمراجعة الأسماء والمصطلحات المتخصصة، بدل تحويل تعرّف غير مؤكد إلى حقيقة موثقة.

المخرج المفيد هو النص المفرغ مع معلومات التوقيت المطلوبة. أما التلخيص والترجمة وتحليل المتحدثين والإجراءات فهي مهام منفصلة للتطبيق، وليست خصائص يُفهم وجودها من اسم تحويل الكلام إلى نص. أبقِ هوية v3 ووضع الانتباه لدى المنتج متميزين عن نقاط التحقق الأخرى وعن المخرجات المحوّلة أو المكمّمة.

Ailoot Ultra · تفريغ صوتي POST /v1/audio/transcriptions nvidia/parakeet-tdt-0.6b-v3

nvidia/parakeet-tdt-0.6b-v3

NVIDIA /nvidia/parakeet-tdt-0.6b-v3

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/parakeet-tdt-0.6b-v3	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 $0.00005 لكل ثانية صوت مُدخل
الإعداداتتكلفة التوليد التقديرية	جدول التعرفة—	الكمية المتوقعةتقدير لتوليد واحد	وحدة الفوترة—	الرسوم الإخراج · تكلفة التوليد التقديرية · تقدير للمقارنة فقط $0.00005 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/parakeet-tdt-0.6b-v3', '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/parakeet-tdt-0.6b-v3

الأسماء البديلة لمسارات الطرائق

استخدم مسارات الطرائق المعروضة أعلاه.

معرّفات النماذج ذات الصلة IDs

nvidia/parakeet-tdt-0.6b-v3

FAQ · NVIDIA: Parakeet TDT 0.6B v3

ما المدخلات والنتائج المتاحة؟: POST /v1/audio/transcriptions · nvidia/parakeet-tdt-0.6b-v3: audio → text
ما الحقول التي يستخدمها الطلب؟: POST /v1/audio/transcriptions · nvidia/parakeet-tdt-0.6b-v3: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
ما الحدود المطبقة؟: POST /v1/audio/transcriptions · nvidia/parakeet-tdt-0.6b-v3: temperature.minimum: 0; temperature.maximum: 1

NVIDIA: Parakeet TDT 0.6B v3