Nemotron 3.5 ASR Streaming Multilingual 0.6B er NVIDIAs talegenkendelsesmodel med 600 millioner parametre til live-transskription og behandling af optaget lyd. Den udvider den engelske streamingserie med betingning via sprog-ID. Tale bliver til tekst på inputtets sprog med tegnsætning og brug af store bogstaver indbygget i outputtet.
Producentens sprogdækning har tre niveauer. Nitten transskriptionsklare sprogvarianter dækker amerikansk og britisk engelsk, amerikansk og europæisk spansk fra Spanien, fransk fra Frankrig og Canada, italiensk, portugisisk fra Brasilien og Portugal, nederlandsk, tysk, tyrkisk, russisk, arabisk, hindi, japansk, koreansk, vietnamesisk og ukrainsk. Tretten sprogvarianter med bred dækning tilføjer polsk, svensk, tjekkisk, norsk bokmål, dansk, bulgarsk, finsk, kroatisk, slovakisk, mandarin, ungarsk, rumænsk og estisk. Tilsammen producerer disse 32 sprogvarianter transskription uden yderligere finjustering.
Otte sprogvarianter, som er klar til tilpasning — græsk, litauisk, lettisk, maltesisk, slovensk, hebraisk, thai og norsk nynorsk — genkendes af tokenizeren, men kræver finjustering inden for domænet for at muliggøre fuld transskription. Producentens tal på 40 sprogvarianter er dermed ikke en påstand om, at alle fyrre har samme funktionalitet uden tilpasning. Et tilpasset checkpoint er et separat produkt i forhold til grundmodellen.
Arkitekturen kombinerer en FastConformer-encoder med 24 lag og cacheunderstøttelse med en RNN-T-dekoder. Den bevarer encoderens attention- og konvolutionstilstande fra tidligere rammer og behandler hver ny lydbid uden gentagne gange at genberegne overlappende vinduer. Et sprog-ID-signal leveres sammen med den akustiske repræsentation for at betinge transskriptionen eller lade modellen udlede sproget.
NVIDIAs NeMo-konfiguration dokumenterer bidstørrelser på 80, 160, 320, 560 og 1120 millisekunder. Attention-indstillingen styrer, hvor meget fremtidig lyd en bid modtager, før tekst udsendes, så en opgave kan afveje ventetid og akustisk kontekst. Det er producentens streamingkonfigurationer og ikke garanterede svartider for hele forløbet; en implementering kan stille sin egen understøttede delmængde til rådighed.
Klargør mono-WAV-lyd med producentprocessorens samplingsfrekvens på 16 kHz. Når sproget er kendt, skal du bruge betingningen for den tilsvarende sprogvariant; automatisk tilstand registrerer det talte sprog. Det grundlæggende pipelineeksempel bruger som standard en prompt til amerikansk engelsk, så flersproget adfærd bør konfigureres bevidst frem for at blive antaget ud fra dette eksempel.
I automatisk tilstand kan producentens arbejdsgang tilføje et sprogtag efter transskriptionens afsluttende tegnsætning. Hvis tagget bevares, er sproget tilgængeligt for en applikation, der håndterer trafik på flere sprog; hvis det fjernes, returneres ren transskriptionstekst. Bevar forskellen mellem de genkendte ord, deres tegnsætning og disse sprogmetadata, når resultatet vises eller behandles.
En undertekstapplikation kan sende lyd ind i rækkefølge, samle transskriptionen og bruge færdig tekst til visning eller efterfølgende behandling. En stemmeapplikation kan sende genkendt tale videre til sit trin for sprogforståelse. Ved opkaldsanalyse kan den oprindelige optagelse og transskriptionen bevares sammen, så navne, tal og ukendte udtryk fortsat kan undersøges. ASR-modellen leverer transskriptionen; opsummering, handlinger og talegenerering er separate trin i applikationen.
NVIDIA træner modellen på en blanding af offentlige og proprietære taledata med menneskeskabte og syntetiske labels normaliseret til tekst med tegnsætning og korrekt brug af store og små bogstaver. Tilpasningsvejledningen lægger vægt på at matche sproglabels og tekststil og derefter vurdere særskilt testlyd ved den streamingindstilling, som skal bruges. Den beskriver tilpasning til sprog, accent og domæne uden at gøre disse tilpassede resultater til egenskaber ved det oprindelige checkpoint.
Modelkortet knytter den praktiske optagelseslængde til den tilgængelige hukommelse frem for at offentliggøre ét universelt varighedsloft. Hold den flersprogede udgave adskilt fra modellen, der kun understøtter engelsk, og bevar det valgte sprog og streamingkonfigurationen sammen med transskriptionsresultatet. Slutproduktet er den genkendte tekst med eventuelle sprogmetadata fra producenten frem for et generelt samtalesvar.
", "aboutText": "Nemotron 3.5 ASR Streaming Multilingual 0.6B er NVIDIAs talegenkendelsesmodel med 600 millioner parametre til live-transskription og behandling af optaget lyd. Den udvider den engelske streamingserie med betingning via sprog-ID. Tale bliver til tekst på inputtets sprog med tegnsætning og brug af store bogstaver indbygget i outputtet.\n\nProducentens sprogdækning har tre niveauer. Nitten transskriptionsklare sprogvarianter dækker amerikansk og britisk engelsk, amerikansk og europæisk spansk fra Spanien, fransk fra Frankrig og Canada, italiensk, portugisisk fra Brasilien og Portugal, nederlandsk, tysk, tyrkisk, russisk, arabisk, hindi, japansk, koreansk, vietnamesisk og ukrainsk. Tretten sprogvarianter med bred dækning tilføjer polsk, svensk, tjekkisk, norsk bokmål, dansk, bulgarsk, finsk, kroatisk, slovakisk, mandarin, ungarsk, rumænsk og estisk. Tilsammen producerer disse 32 sprogvarianter transskription uden yderligere finjustering.\n\nOtte sprogvarianter, som er klar til tilpasning — græsk, litauisk, lettisk, maltesisk, slovensk, hebraisk, thai og norsk nynorsk — genkendes af tokenizeren, men kræver finjustering inden for domænet for at muliggøre fuld transskription. Producentens tal på 40 sprogvarianter er dermed ikke en påstand om, at alle fyrre har samme funktionalitet uden tilpasning. Et tilpasset checkpoint er et separat produkt i forhold til grundmodellen.\n\nArkitekturen kombinerer en FastConformer-encoder med 24 lag og cacheunderstøttelse med en RNN-T-dekoder. Den bevarer encoderens attention- og konvolutionstilstande fra tidligere rammer og behandler hver ny lydbid uden gentagne gange at genberegne overlappende vinduer. Et sprog-ID-signal leveres sammen med den akustiske repræsentation for at betinge transskriptionen eller lade modellen udlede sproget.\n\nNVIDIAs NeMo-konfiguration dokumenterer bidstørrelser på 80, 160, 320, 560 og 1120 millisekunder. Attention-indstillingen styrer, hvor meget fremtidig lyd en bid modtager, før tekst udsendes, så en opgave kan afveje ventetid og akustisk kontekst. Det er producentens streamingkonfigurationer og ikke garanterede svartider for hele forløbet; en implementering kan stille sin egen understøttede delmængde til rådighed.\n\nKlargør mono-WAV-lyd med producentprocessorens samplingsfrekvens på 16 kHz. Når sproget er kendt, skal du bruge betingningen for den tilsvarende sprogvariant; automatisk tilstand registrerer det talte sprog. Det grundlæggende pipelineeksempel bruger som standard en prompt til amerikansk engelsk, så flersproget adfærd bør konfigureres bevidst frem for at blive antaget ud fra dette eksempel.\n\nI automatisk tilstand kan producentens arbejdsgang tilføje et sprogtag efter transskriptionens afsluttende tegnsætning. Hvis tagget bevares, er sproget tilgængeligt for en applikation, der håndterer trafik på flere sprog; hvis det fjernes, returneres ren transskriptionstekst. Bevar forskellen mellem de genkendte ord, deres tegnsætning og disse sprogmetadata, når resultatet vises eller behandles.\n\nEn undertekstapplikation kan sende lyd ind i rækkefølge, samle transskriptionen og bruge færdig tekst til visning eller efterfølgende behandling. En stemmeapplikation kan sende genkendt tale videre til sit trin for sprogforståelse. Ved opkaldsanalyse kan den oprindelige optagelse og transskriptionen bevares sammen, så navne, tal og ukendte udtryk fortsat kan undersøges. ASR-modellen leverer transskriptionen; opsummering, handlinger og talegenerering er separate trin i applikationen.\n\nNVIDIA træner modellen på en blanding af offentlige og proprietære taledata med menneskeskabte og syntetiske labels normaliseret til tekst med tegnsætning og korrekt brug af store og små bogstaver. Tilpasningsvejledningen lægger vægt på at matche sproglabels og tekststil og derefter vurdere særskilt testlyd ved den streamingindstilling, som skal bruges. Den beskriver tilpasning til sprog, accent og domæne uden at gøre disse tilpassede resultater til egenskaber ved det oprindelige checkpoint.\n\nModelkortet knytter den praktiske optagelseslængde til den tilgængelige hukommelse frem for at offentliggøre ét universelt varighedsloft. Hold den flersprogede udgave adskilt fra modellen, der kun understøtter engelsk, og bevar det valgte sprog og streamingkonfigurationen sammen med transskriptionsresultatet. Slutproduktet er den genkendte tekst med eventuelle sprogmetadata fra producenten frem for et generelt samtalesvar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2af30bf905fd0a0876ca15fdfc8db7d4f34c4a2bd40423a2a576b25e3483c511", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "nvidia/nemotron-3.5-asr-streaming-multilingual-0.6bNVIDIAs Nemotron 3.5 ASR Streaming Multilingual 0.6B transskriberer tale til tekst med tegnsætning ved hjælp af en streaming-encoder med cacheunderstøttelse. Den understøtter eksplicit sprogbetingning eller automatisk registrering af sproget med 32 sprogvarianter klar til transskription og otte, som kræver tilpasning.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Nemotron 3.5 ASR Streaming Multilingual 0.6B er NVIDIAs talegenkendelsesmodel med 600 millioner parametre til live-transskription og behandling af optaget lyd. Den udvider den engelske streamingserie med betingning via sprog-ID. Tale bliver til tekst på inputtets sprog med tegnsætning og brug af store bogstaver indbygget i outputtet.
Producentens sprogdækning har tre niveauer. Nitten transskriptionsklare sprogvarianter dækker amerikansk og britisk engelsk, amerikansk og europæisk spansk fra Spanien, fransk fra Frankrig og Canada, italiensk, portugisisk fra Brasilien og Portugal, nederlandsk, tysk, tyrkisk, russisk, arabisk, hindi, japansk, koreansk, vietnamesisk og ukrainsk. Tretten sprogvarianter med bred dækning tilføjer polsk, svensk, tjekkisk, norsk bokmål, dansk, bulgarsk, finsk, kroatisk, slovakisk, mandarin, ungarsk, rumænsk og estisk. Tilsammen producerer disse 32 sprogvarianter transskription uden yderligere finjustering.
Otte sprogvarianter, som er klar til tilpasning — græsk, litauisk, lettisk, maltesisk, slovensk, hebraisk, thai og norsk nynorsk — genkendes af tokenizeren, men kræver finjustering inden for domænet for at muliggøre fuld transskription. Producentens tal på 40 sprogvarianter er dermed ikke en påstand om, at alle fyrre har samme funktionalitet uden tilpasning. Et tilpasset checkpoint er et separat produkt i forhold til grundmodellen.
Arkitekturen kombinerer en FastConformer-encoder med 24 lag og cacheunderstøttelse med en RNN-T-dekoder. Den bevarer encoderens attention- og konvolutionstilstande fra tidligere rammer og behandler hver ny lydbid uden gentagne gange at genberegne overlappende vinduer. Et sprog-ID-signal leveres sammen med den akustiske repræsentation for at betinge transskriptionen eller lade modellen udlede sproget.
NVIDIAs NeMo-konfiguration dokumenterer bidstørrelser på 80, 160, 320, 560 og 1120 millisekunder. Attention-indstillingen styrer, hvor meget fremtidig lyd en bid modtager, før tekst udsendes, så en opgave kan afveje ventetid og akustisk kontekst. Det er producentens streamingkonfigurationer og ikke garanterede svartider for hele forløbet; en implementering kan stille sin egen understøttede delmængde til rådighed.
Klargør mono-WAV-lyd med producentprocessorens samplingsfrekvens på 16 kHz. Når sproget er kendt, skal du bruge betingningen for den tilsvarende sprogvariant; automatisk tilstand registrerer det talte sprog. Det grundlæggende pipelineeksempel bruger som standard en prompt til amerikansk engelsk, så flersproget adfærd bør konfigureres bevidst frem for at blive antaget ud fra dette eksempel.
I automatisk tilstand kan producentens arbejdsgang tilføje et sprogtag efter transskriptionens afsluttende tegnsætning. Hvis tagget bevares, er sproget tilgængeligt for en applikation, der håndterer trafik på flere sprog; hvis det fjernes, returneres ren transskriptionstekst. Bevar forskellen mellem de genkendte ord, deres tegnsætning og disse sprogmetadata, når resultatet vises eller behandles.
En undertekstapplikation kan sende lyd ind i rækkefølge, samle transskriptionen og bruge færdig tekst til visning eller efterfølgende behandling. En stemmeapplikation kan sende genkendt tale videre til sit trin for sprogforståelse. Ved opkaldsanalyse kan den oprindelige optagelse og transskriptionen bevares sammen, så navne, tal og ukendte udtryk fortsat kan undersøges. ASR-modellen leverer transskriptionen; opsummering, handlinger og talegenerering er separate trin i applikationen.
NVIDIA træner modellen på en blanding af offentlige og proprietære taledata med menneskeskabte og syntetiske labels normaliseret til tekst med tegnsætning og korrekt brug af store og små bogstaver. Tilpasningsvejledningen lægger vægt på at matche sproglabels og tekststil og derefter vurdere særskilt testlyd ved den streamingindstilling, som skal bruges. Den beskriver tilpasning til sprog, accent og domæne uden at gøre disse tilpassede resultater til egenskaber ved det oprindelige checkpoint.
Modelkortet knytter den praktiske optagelseslængde til den tilgængelige hukommelse frem for at offentliggøre ét universelt varighedsloft. Hold den flersprogede udgave adskilt fra modellen, der kun understøtter engelsk, og bevar det valgte sprog og streamingkonfigurationen sammen med transskriptionsresultatet. Slutproduktet er den genkendte tekst med eventuelle sprogmetadata fra producenten frem for et generelt samtalesvar.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b | Standard— |
Feltinput_audio | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
Feltlanguage | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Minimum: 0 Maksimum: 1 | Standard— |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser json, verbose_json | Standardjson |
Felttimestamp_granularities | Typearray | KravValgfrit | Værdier og grænser | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input_audio |
Parametermaterial_types | Kontraktaudio |
Parametermaterial_conditions | KontraktLæs en faktisk WAV-fil, og kod dens reelle bytes til det angivne JSON input_audio; der annonceres ingen multipart-rute for denne præcise specifikation, som kun bruger JSON. |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
De viste satser bruges til at anslå omkostningen før genereringen. Det endelige beløb beregnes ud fra den registrerede omkostning for den oprindelige generering. Den målte varighed af outputtet og de anslåede mængder er ikke den endelige fakturerbare mængde.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Forventet mængde | Afregningsenhed | Beløb |
|---|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Forventet mængde— | Afregningsenhed— | Beløb Input · Inputtokens · Estimat kun til sammenligning — / 1K tokens Output · Outputtokens · Estimat kun til sammenligning — / 1K tokens Input · Cachelæsning · Estimat kun til sammenligning — / 1K tokens Input · Cacheskrivning · Estimat kun til sammenligning — / 1K tokens Input · Cacheskrivning, 1 time · Estimat kun til sammenligning — / 1K tokens |
| Konfigurationsekund inputlyd | Takstplan— | Forventet mængde— | Afregningsenhedpr. sekund lydinput | Beløb Input · sekund inputlyd · Estimat kun til sammenligning $0.00000666 pr. sekund lydinput |
| KonfigurationAnslået genereringsomkostning | Takstplan— | Forventet mængdeestimat for én generering | Afregningsenhed— | Beløb Output · Anslået genereringsomkostning · Estimat kun til sammenligning $0.00000666 estimat før generering Dette estimat er hverken et ekstra gebyr eller en fast pris for den færdige generering. |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.
Gem det returnerede X-Client-Request-ID til afstemning. Brug kun faktisk returnerede task_id/asset_id-værdier eller dit eget mediebibliotek til læseanmodninger; opbyg aldrig en opgave-URL ud fra operations-ID’et, og send aldrig oprettelsesanmodningen igen.
| Felt | Type |
|---|---|
Felttext | Type |
Feltusage | Type |
Feltsegments[] | Type |
Feltwords[] | Type |
Feltspeaker fields | Type |
Felttimestamps | Type |
Ailoot Ultra nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b
Brug metodestierne vist ovenfor.