Parakeet TDT 0.6B v3 er NVIDIAs flersprogede talegenkendelsesmodel med 600 millioner parametre. Den udvider v2-modellen, som kun understøtter engelsk, til 25 europæiske sprog og registrerer automatisk lydens sprog uden en separat sprogprompt. Resultatet er en transskription af talen med tegnsætning og store bogstaver.
De understøttede sprog er bulgarsk, kroatisk, tjekkisk, dansk, nederlandsk, engelsk, estisk, finsk, fransk, tysk, græsk, ungarsk, italiensk, lettisk, litauisk, maltesisk, polsk, portugisisk, rumænsk, slovakisk, slovensk, spansk, svensk, russisk og ukrainsk. Denne liste gælder v3-udgaven; andre Parakeet-dekodertyper og sprogvarianter er separate modeller.
Arkitekturen kombinerer en FastConformer-encoder med en token-and-duration-transducer-dekoder. Encoderen omdanner det akustiske signal til repræsentationer; dekoderen forudsiger teksttokens sammen med de varigheder, der er nødvendige for at bevæge sig gennem lydrammerne. Denne TDT-adfærd adskiller den fra familiens CTC-dekodere og almindelige RNN-T-dekodere.
Klargør enkanalslyd med en samplingsfrekvens på 16 kHz. Producentens direkte inputformater er WAV og FLAC, og implementeringseksemplerne bruger en processor til at klargøre bølgeformen til genkendelse. Bevar optagelsens identifikator og den oprindelige lyd sammen med den returnerede tekst, så en transskription kan kontrolleres eller justeres i forhold til kilden.
Tidsstempling tilføjer tidsoplysninger til den genkendte tale. NVIDIAs NeMo-eksempel returnerer tidsangivelser for tegn, ord og segmenter, når generering af tidsstempler er aktiveret. En applikation til undertekster eller arkivering kan bruge segmentgrænser til at forbinde en passage med optagelsen eller ordtidsangivelser til at finde en bestemt formulering. Transskriptionen og dens tidsfelter er forskellige dele af resultatet og bør forblive knyttet til hinanden.
Ved lange optagelser er attention-konfigurationen vigtig. Producenten beskriver op til 24 minutter med full attention på en A100 med 80 GB og op til tre timer med local attention. Eksemplet til lange optagelser skifter encoderen til local attention med afgrænset venstre- og højrekontekst. Disse varigheder beskriver bestemte producentkonfigurationer frem for én ubetinget grænse for alle installationer.
Producenten offentliggør også en arbejdsgang med inferens i bidder til streamingbrug. Eksemplet definerer biddernes længde og lydkonteksten til venstre og højre for hver bid. Det er en anden behandlingsopskrift end den native Nemotron-streamingmodel med cacheunderstøttelse. En applikation bør bevare den valgte opskrift og den oprindelige tidsreference, når en optagelses transskription samles på tværs af afsnit.
Træningsblandingen omfatter 10.000 timers mennesketransskriberet tale og 660.000 timers pseudomærkede Granary-data med bevaret tegnsætning og brug af store bogstaver. Producenten understøtter også finjustering af dette udgivne checkpoint på et andet taledatasæt gennem den dokumenterede modelarbejdsgang; det finjusterede checkpoint forbliver adskilt fra grundmodellen v3. Modellens tekstoutput egner sig derfor som tale-til-tekst-trinnet i en større arbejdsgang. Et mødearkiv kan knytte transskriptionen til optagelsen; en søgeapplikation kan indeksere den genkendte passage; et undertekstværktøj kan bruge de returnerede tidsmetadata.
Genkendelseskvaliteten varierer med sprog, accent, støj og taletype. Producenten fremhæver især, at ordforråd, der ikke indgik i træningen, kan blive overset, og at isolerede ord eller ufuldstændige sætninger giver svagere kontekst. Bevar den oprindelige lyd til kontrol af navne og specialiserede udtryk frem for at gøre en usikker genkendelse til en verificeret oplysning.
Det nyttige slutprodukt er transskriptionen med de ønskede tidsoplysninger. Opsummeringer, oversættelser, taleranalyse og handlinger er separate applikationsopgaver og ikke funktioner, som følger af et tale-til-tekst-navn. Hold v3-identiteten og producentens attention-tilstand adskilt fra andre checkpoints og fra konverterede eller kvantiserede udgaver.
", "aboutText": "Parakeet TDT 0.6B v3 er NVIDIAs flersprogede talegenkendelsesmodel med 600 millioner parametre. Den udvider v2-modellen, som kun understøtter engelsk, til 25 europæiske sprog og registrerer automatisk lydens sprog uden en separat sprogprompt. Resultatet er en transskription af talen med tegnsætning og store bogstaver.\n\nDe understøttede sprog er bulgarsk, kroatisk, tjekkisk, dansk, nederlandsk, engelsk, estisk, finsk, fransk, tysk, græsk, ungarsk, italiensk, lettisk, litauisk, maltesisk, polsk, portugisisk, rumænsk, slovakisk, slovensk, spansk, svensk, russisk og ukrainsk. Denne liste gælder v3-udgaven; andre Parakeet-dekodertyper og sprogvarianter er separate modeller.\n\nArkitekturen kombinerer en FastConformer-encoder med en token-and-duration-transducer-dekoder. Encoderen omdanner det akustiske signal til repræsentationer; dekoderen forudsiger teksttokens sammen med de varigheder, der er nødvendige for at bevæge sig gennem lydrammerne. Denne TDT-adfærd adskiller den fra familiens CTC-dekodere og almindelige RNN-T-dekodere.\n\nKlargør enkanalslyd med en samplingsfrekvens på 16 kHz. Producentens direkte inputformater er WAV og FLAC, og implementeringseksemplerne bruger en processor til at klargøre bølgeformen til genkendelse. Bevar optagelsens identifikator og den oprindelige lyd sammen med den returnerede tekst, så en transskription kan kontrolleres eller justeres i forhold til kilden.\n\nTidsstempling tilføjer tidsoplysninger til den genkendte tale. NVIDIAs NeMo-eksempel returnerer tidsangivelser for tegn, ord og segmenter, når generering af tidsstempler er aktiveret. En applikation til undertekster eller arkivering kan bruge segmentgrænser til at forbinde en passage med optagelsen eller ordtidsangivelser til at finde en bestemt formulering. Transskriptionen og dens tidsfelter er forskellige dele af resultatet og bør forblive knyttet til hinanden.\n\nVed lange optagelser er attention-konfigurationen vigtig. Producenten beskriver op til 24 minutter med full attention på en A100 med 80 GB og op til tre timer med local attention. Eksemplet til lange optagelser skifter encoderen til local attention med afgrænset venstre- og højrekontekst. Disse varigheder beskriver bestemte producentkonfigurationer frem for én ubetinget grænse for alle installationer.\n\nProducenten offentliggør også en arbejdsgang med inferens i bidder til streamingbrug. Eksemplet definerer biddernes længde og lydkonteksten til venstre og højre for hver bid. Det er en anden behandlingsopskrift end den native Nemotron-streamingmodel med cacheunderstøttelse. En applikation bør bevare den valgte opskrift og den oprindelige tidsreference, når en optagelses transskription samles på tværs af afsnit.\n\nTræningsblandingen omfatter 10.000 timers mennesketransskriberet tale og 660.000 timers pseudomærkede Granary-data med bevaret tegnsætning og brug af store bogstaver. Producenten understøtter også finjustering af dette udgivne checkpoint på et andet taledatasæt gennem den dokumenterede modelarbejdsgang; det finjusterede checkpoint forbliver adskilt fra grundmodellen v3. Modellens tekstoutput egner sig derfor som tale-til-tekst-trinnet i en større arbejdsgang. Et mødearkiv kan knytte transskriptionen til optagelsen; en søgeapplikation kan indeksere den genkendte passage; et undertekstværktøj kan bruge de returnerede tidsmetadata.\n\nGenkendelseskvaliteten varierer med sprog, accent, støj og taletype. Producenten fremhæver især, at ordforråd, der ikke indgik i træningen, kan blive overset, og at isolerede ord eller ufuldstændige sætninger giver svagere kontekst. Bevar den oprindelige lyd til kontrol af navne og specialiserede udtryk frem for at gøre en usikker genkendelse til en verificeret oplysning.\n\nDet nyttige slutprodukt er transskriptionen med de ønskede tidsoplysninger. Opsummeringer, oversættelser, taleranalyse og handlinger er separate applikationsopgaver og ikke funktioner, som følger af et tale-til-tekst-navn. Hold v3-identiteten og producentens attention-tilstand adskilt fra andre checkpoints og fra konverterede eller kvantiserede udgaver.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b686c49552baa6224ffa33767e6e5e013323cebe5df8d461679a30373cf8dc5c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "nvidia/parakeet-tdt-0.6b-v3NVIDIAs Parakeet TDT 0.6B v3 er en tale-til-tekst-model på 600M til 25 europæiske sprog med automatisk sproggenkendelse. Den producerer transskriptioner med tegnsætning og understøtter tidsstempler for ord og segmenter samt tilstande til lang lyd, som afhænger af producentens attention-konfiguration.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Parakeet TDT 0.6B v3 er NVIDIAs flersprogede talegenkendelsesmodel med 600 millioner parametre. Den udvider v2-modellen, som kun understøtter engelsk, til 25 europæiske sprog og registrerer automatisk lydens sprog uden en separat sprogprompt. Resultatet er en transskription af talen med tegnsætning og store bogstaver.
De understøttede sprog er bulgarsk, kroatisk, tjekkisk, dansk, nederlandsk, engelsk, estisk, finsk, fransk, tysk, græsk, ungarsk, italiensk, lettisk, litauisk, maltesisk, polsk, portugisisk, rumænsk, slovakisk, slovensk, spansk, svensk, russisk og ukrainsk. Denne liste gælder v3-udgaven; andre Parakeet-dekodertyper og sprogvarianter er separate modeller.
Arkitekturen kombinerer en FastConformer-encoder med en token-and-duration-transducer-dekoder. Encoderen omdanner det akustiske signal til repræsentationer; dekoderen forudsiger teksttokens sammen med de varigheder, der er nødvendige for at bevæge sig gennem lydrammerne. Denne TDT-adfærd adskiller den fra familiens CTC-dekodere og almindelige RNN-T-dekodere.
Klargør enkanalslyd med en samplingsfrekvens på 16 kHz. Producentens direkte inputformater er WAV og FLAC, og implementeringseksemplerne bruger en processor til at klargøre bølgeformen til genkendelse. Bevar optagelsens identifikator og den oprindelige lyd sammen med den returnerede tekst, så en transskription kan kontrolleres eller justeres i forhold til kilden.
Tidsstempling tilføjer tidsoplysninger til den genkendte tale. NVIDIAs NeMo-eksempel returnerer tidsangivelser for tegn, ord og segmenter, når generering af tidsstempler er aktiveret. En applikation til undertekster eller arkivering kan bruge segmentgrænser til at forbinde en passage med optagelsen eller ordtidsangivelser til at finde en bestemt formulering. Transskriptionen og dens tidsfelter er forskellige dele af resultatet og bør forblive knyttet til hinanden.
Ved lange optagelser er attention-konfigurationen vigtig. Producenten beskriver op til 24 minutter med full attention på en A100 med 80 GB og op til tre timer med local attention. Eksemplet til lange optagelser skifter encoderen til local attention med afgrænset venstre- og højrekontekst. Disse varigheder beskriver bestemte producentkonfigurationer frem for én ubetinget grænse for alle installationer.
Producenten offentliggør også en arbejdsgang med inferens i bidder til streamingbrug. Eksemplet definerer biddernes længde og lydkonteksten til venstre og højre for hver bid. Det er en anden behandlingsopskrift end den native Nemotron-streamingmodel med cacheunderstøttelse. En applikation bør bevare den valgte opskrift og den oprindelige tidsreference, når en optagelses transskription samles på tværs af afsnit.
Træningsblandingen omfatter 10.000 timers mennesketransskriberet tale og 660.000 timers pseudomærkede Granary-data med bevaret tegnsætning og brug af store bogstaver. Producenten understøtter også finjustering af dette udgivne checkpoint på et andet taledatasæt gennem den dokumenterede modelarbejdsgang; det finjusterede checkpoint forbliver adskilt fra grundmodellen v3. Modellens tekstoutput egner sig derfor som tale-til-tekst-trinnet i en større arbejdsgang. Et mødearkiv kan knytte transskriptionen til optagelsen; en søgeapplikation kan indeksere den genkendte passage; et undertekstværktøj kan bruge de returnerede tidsmetadata.
Genkendelseskvaliteten varierer med sprog, accent, støj og taletype. Producenten fremhæver især, at ordforråd, der ikke indgik i træningen, kan blive overset, og at isolerede ord eller ufuldstændige sætninger giver svagere kontekst. Bevar den oprindelige lyd til kontrol af navne og specialiserede udtryk frem for at gøre en usikker genkendelse til en verificeret oplysning.
Det nyttige slutprodukt er transskriptionen med de ønskede tidsoplysninger. Opsummeringer, oversættelser, taleranalyse og handlinger er separate applikationsopgaver og ikke funktioner, som følger af et tale-til-tekst-navn. Hold v3-identiteten og producentens attention-tilstand adskilt fra andre checkpoints og fra konverterede eller kvantiserede udgaver.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser nvidia/parakeet-tdt-0.6b-v3 | 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 $0.00005 pr. sekund lydinput |
| KonfigurationAnslået genereringsomkostning | Takstplan— | Forventet mængdeestimat for én generering | Afregningsenhed— | Beløb Output · Anslået genereringsomkostning · Estimat kun til sammenligning $0.00005 estimat før generering Dette estimat er hverken et ekstra gebyr eller en fast pris for den færdige generering. |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'nvidia/parakeet-tdt-0.6b-v3', 'input_audio': {'data': '${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/parakeet-tdt-0.6b-v3
Brug metodestierne vist ovenfor.