Parakeet TDT 0.6B v3 ist NVIDIAs mehrsprachiges Spracherkennungsmodell mit 600 Millionen Parametern. Es erweitert das ausschließlich englischsprachige Modell v2 auf 25 europäische Sprachen und erkennt die Sprache der Audioaufnahme automatisch, ohne einen gesonderten Sprach-Prompt zu benötigen. Das Ergebnis ist ein Transkript der gesprochenen Sprache mit Zeichensetzung und Groß- und Kleinschreibung.
Unterstützt werden Bulgarisch, Kroatisch, Tschechisch, Dänisch, Niederländisch, Englisch, Estnisch, Finnisch, Französisch, Deutsch, Griechisch, Ungarisch, Italienisch, Lettisch, Litauisch, Maltesisch, Polnisch, Portugiesisch, Rumänisch, Slowakisch, Slowenisch, Spanisch, Schwedisch, Russisch und Ukrainisch. Diese Liste gilt für die Ausgabe v3; andere Parakeet-Decodertypen und Sprachvarianten sind eigenständige Modelle.
Die Architektur kombiniert einen FastConformer-Encoder mit einem Token-und-Dauer-Transducer-Decoder. Der Encoder wandelt das akustische Signal in Repräsentationen um; der Decoder sagt Text-Token zusammen mit den Zeitdauern voraus, die zum Weiterschalten durch die Audio-Frames erforderlich sind. Dieses TDT-Verhalten unterscheidet ihn von den CTC- und gewöhnlichen RNN-T-Decodern der Familie.
Bereiten Sie einkanalige Audioaufnahmen mit einer Abtastrate von 16 kHz vor. Die direkten Eingabeformate des Herstellers sind WAV und FLAC; seine Implementierungsbeispiele verwenden einen Prozessor, um die Wellenform für die Erkennung vorzubereiten. Bewahren Sie die Aufnahme-ID und das Originalaudio zusammen mit dem zurückgegebenen Text auf, damit sich ein Transkript prüfen oder an der Quelle ausrichten lässt.
Zeitstempel ergänzen die erkannte Sprache um zeitliche Angaben. NVIDIAs NeMo-Beispiel liefert Zeitangaben für Zeichen, Wörter und Segmente, wenn die Erzeugung von Zeitstempeln aktiviert ist. Eine Untertitel- oder Archivanwendung kann Segmentgrenzen nutzen, um eine Passage mit der Aufnahme zu verknüpfen, oder Wortzeitstempel, um eine bestimmte Formulierung zu finden. Das Transkript und seine Zeitangaben sind unterschiedliche Bestandteile des Ergebnisses und sollten miteinander verbunden bleiben.
Bei langen Aufnahmen ist die Attention-Konfiguration entscheidend. Der Hersteller beschreibt bis zu 24 Minuten mit vollständiger Attention auf einer A100 mit 80 GB sowie bis zu drei Stunden mit lokaler Attention. Sein Beispiel für lange Aufnahmen stellt den Encoder auf lokale Attention mit begrenztem linken und rechten Kontext um. Diese Zeitdauern beschreiben bestimmte Herstellerkonfigurationen und sind kein uneingeschränkt geltendes Limit für jede Bereitstellung.
Der Hersteller veröffentlicht außerdem einen Workflow für segmentweise Inferenz im Streaming-Einsatz. Sein Beispiel legt die Segmentlänge sowie den linken und rechten Audiokontext um jedes Segment fest. Dieses Verarbeitungsrezept unterscheidet sich vom nativen, Cache-bewussten Nemotron-Streaming-Modell. Eine Anwendung sollte das gewählte Rezept und die ursprüngliche Zeitreferenz beibehalten, wenn sie das Transkript einer Aufnahme aus mehreren Abschnitten zusammensetzt.
Der Trainingsmix umfasst 10.000 Stunden von Menschen transkribierter Sprache und 660.000 Stunden pseudoannotierter Granary-Daten, wobei Zeichensetzung sowie Groß- und Kleinschreibung erhalten bleiben. Der Hersteller unterstützt außerdem die Feinabstimmung dieses veröffentlichten Checkpoints auf einem anderen Sprachdatensatz über seinen dokumentierten Modell-Workflow; der feinabgestimmte Checkpoint bleibt vom Basismodell v3 getrennt. Die Textausgabe des Modells eignet sich damit als Speech-to-Text-Stufe eines größeren Workflows. Ein Besprechungsarchiv kann das Transkript an die Aufnahme anhängen; eine Suchanwendung kann die erkannte Passage indexieren; ein Untertitelwerkzeug kann die zurückgegebenen Zeitmetadaten nutzen.
Die Erkennungsqualität variiert mit Sprache, Akzent, Hintergrundgeräuschen und Art der Sprache. Der Hersteller weist ausdrücklich darauf hin, dass im Training nicht vertretenes Vokabular übersehen werden kann und dass einzelne Wörter oder unvollständige Sätze weniger Kontext bieten. Bewahren Sie das Originalaudio zur Prüfung von Namen und Fachbegriffen auf, statt eine unsichere Erkennung als bestätigte Tatsache zu behandeln.
Das nutzbare Artefakt ist das Transkript mit den angeforderten Zeitangaben. Zusammenfassungen, Übersetzungen, Sprecheranalysen und Aktionen sind eigenständige Aufgaben der Anwendung und keine durch die Bezeichnung Speech-to-Text implizierten Funktionen. Halten Sie die Identität von v3 und den Attention-Modus des Herstellers von anderen Checkpoints sowie von konvertierten oder quantisierten Artefakten getrennt.
", "aboutText": "Parakeet TDT 0.6B v3 ist NVIDIAs mehrsprachiges Spracherkennungsmodell mit 600 Millionen Parametern. Es erweitert das ausschließlich englischsprachige Modell v2 auf 25 europäische Sprachen und erkennt die Sprache der Audioaufnahme automatisch, ohne einen gesonderten Sprach-Prompt zu benötigen. Das Ergebnis ist ein Transkript der gesprochenen Sprache mit Zeichensetzung und Groß- und Kleinschreibung.\n\nUnterstützt werden Bulgarisch, Kroatisch, Tschechisch, Dänisch, Niederländisch, Englisch, Estnisch, Finnisch, Französisch, Deutsch, Griechisch, Ungarisch, Italienisch, Lettisch, Litauisch, Maltesisch, Polnisch, Portugiesisch, Rumänisch, Slowakisch, Slowenisch, Spanisch, Schwedisch, Russisch und Ukrainisch. Diese Liste gilt für die Ausgabe v3; andere Parakeet-Decodertypen und Sprachvarianten sind eigenständige Modelle.\n\nDie Architektur kombiniert einen FastConformer-Encoder mit einem Token-und-Dauer-Transducer-Decoder. Der Encoder wandelt das akustische Signal in Repräsentationen um; der Decoder sagt Text-Token zusammen mit den Zeitdauern voraus, die zum Weiterschalten durch die Audio-Frames erforderlich sind. Dieses TDT-Verhalten unterscheidet ihn von den CTC- und gewöhnlichen RNN-T-Decodern der Familie.\n\nBereiten Sie einkanalige Audioaufnahmen mit einer Abtastrate von 16 kHz vor. Die direkten Eingabeformate des Herstellers sind WAV und FLAC; seine Implementierungsbeispiele verwenden einen Prozessor, um die Wellenform für die Erkennung vorzubereiten. Bewahren Sie die Aufnahme-ID und das Originalaudio zusammen mit dem zurückgegebenen Text auf, damit sich ein Transkript prüfen oder an der Quelle ausrichten lässt.\n\nZeitstempel ergänzen die erkannte Sprache um zeitliche Angaben. NVIDIAs NeMo-Beispiel liefert Zeitangaben für Zeichen, Wörter und Segmente, wenn die Erzeugung von Zeitstempeln aktiviert ist. Eine Untertitel- oder Archivanwendung kann Segmentgrenzen nutzen, um eine Passage mit der Aufnahme zu verknüpfen, oder Wortzeitstempel, um eine bestimmte Formulierung zu finden. Das Transkript und seine Zeitangaben sind unterschiedliche Bestandteile des Ergebnisses und sollten miteinander verbunden bleiben.\n\nBei langen Aufnahmen ist die Attention-Konfiguration entscheidend. Der Hersteller beschreibt bis zu 24 Minuten mit vollständiger Attention auf einer A100 mit 80 GB sowie bis zu drei Stunden mit lokaler Attention. Sein Beispiel für lange Aufnahmen stellt den Encoder auf lokale Attention mit begrenztem linken und rechten Kontext um. Diese Zeitdauern beschreiben bestimmte Herstellerkonfigurationen und sind kein uneingeschränkt geltendes Limit für jede Bereitstellung.\n\nDer Hersteller veröffentlicht außerdem einen Workflow für segmentweise Inferenz im Streaming-Einsatz. Sein Beispiel legt die Segmentlänge sowie den linken und rechten Audiokontext um jedes Segment fest. Dieses Verarbeitungsrezept unterscheidet sich vom nativen, Cache-bewussten Nemotron-Streaming-Modell. Eine Anwendung sollte das gewählte Rezept und die ursprüngliche Zeitreferenz beibehalten, wenn sie das Transkript einer Aufnahme aus mehreren Abschnitten zusammensetzt.\n\nDer Trainingsmix umfasst 10.000 Stunden von Menschen transkribierter Sprache und 660.000 Stunden pseudoannotierter Granary-Daten, wobei Zeichensetzung sowie Groß- und Kleinschreibung erhalten bleiben. Der Hersteller unterstützt außerdem die Feinabstimmung dieses veröffentlichten Checkpoints auf einem anderen Sprachdatensatz über seinen dokumentierten Modell-Workflow; der feinabgestimmte Checkpoint bleibt vom Basismodell v3 getrennt. Die Textausgabe des Modells eignet sich damit als Speech-to-Text-Stufe eines größeren Workflows. Ein Besprechungsarchiv kann das Transkript an die Aufnahme anhängen; eine Suchanwendung kann die erkannte Passage indexieren; ein Untertitelwerkzeug kann die zurückgegebenen Zeitmetadaten nutzen.\n\nDie Erkennungsqualität variiert mit Sprache, Akzent, Hintergrundgeräuschen und Art der Sprache. Der Hersteller weist ausdrücklich darauf hin, dass im Training nicht vertretenes Vokabular übersehen werden kann und dass einzelne Wörter oder unvollständige Sätze weniger Kontext bieten. Bewahren Sie das Originalaudio zur Prüfung von Namen und Fachbegriffen auf, statt eine unsichere Erkennung als bestätigte Tatsache zu behandeln.\n\nDas nutzbare Artefakt ist das Transkript mit den angeforderten Zeitangaben. Zusammenfassungen, Übersetzungen, Sprecheranalysen und Aktionen sind eigenständige Aufgaben der Anwendung und keine durch die Bezeichnung Speech-to-Text implizierten Funktionen. Halten Sie die Identität von v3 und den Attention-Modus des Herstellers von anderen Checkpoints sowie von konvertierten oder quantisierten Artefakten getrennt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f0507b149ac4c05a0afb46620bb42161e331f1ea41d78efcd01247b6594d114b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "nvidia/parakeet-tdt-0.6b-v3NVIDIAs Parakeet TDT 0.6B v3 ist ein Speech-to-Text-Modell mit 600M Parametern für 25 europäische Sprachen und mit automatischer Erkennung der Audiosprache. Es erzeugt Transkripte mit Zeichensetzung und unterstützt Zeitstempel auf Wort- und Segmentebene; die Modi für lange Audioaufnahmen hängen von der Attention-Konfiguration des Herstellers ab.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Parakeet TDT 0.6B v3 ist NVIDIAs mehrsprachiges Spracherkennungsmodell mit 600 Millionen Parametern. Es erweitert das ausschließlich englischsprachige Modell v2 auf 25 europäische Sprachen und erkennt die Sprache der Audioaufnahme automatisch, ohne einen gesonderten Sprach-Prompt zu benötigen. Das Ergebnis ist ein Transkript der gesprochenen Sprache mit Zeichensetzung und Groß- und Kleinschreibung.
Unterstützt werden Bulgarisch, Kroatisch, Tschechisch, Dänisch, Niederländisch, Englisch, Estnisch, Finnisch, Französisch, Deutsch, Griechisch, Ungarisch, Italienisch, Lettisch, Litauisch, Maltesisch, Polnisch, Portugiesisch, Rumänisch, Slowakisch, Slowenisch, Spanisch, Schwedisch, Russisch und Ukrainisch. Diese Liste gilt für die Ausgabe v3; andere Parakeet-Decodertypen und Sprachvarianten sind eigenständige Modelle.
Die Architektur kombiniert einen FastConformer-Encoder mit einem Token-und-Dauer-Transducer-Decoder. Der Encoder wandelt das akustische Signal in Repräsentationen um; der Decoder sagt Text-Token zusammen mit den Zeitdauern voraus, die zum Weiterschalten durch die Audio-Frames erforderlich sind. Dieses TDT-Verhalten unterscheidet ihn von den CTC- und gewöhnlichen RNN-T-Decodern der Familie.
Bereiten Sie einkanalige Audioaufnahmen mit einer Abtastrate von 16 kHz vor. Die direkten Eingabeformate des Herstellers sind WAV und FLAC; seine Implementierungsbeispiele verwenden einen Prozessor, um die Wellenform für die Erkennung vorzubereiten. Bewahren Sie die Aufnahme-ID und das Originalaudio zusammen mit dem zurückgegebenen Text auf, damit sich ein Transkript prüfen oder an der Quelle ausrichten lässt.
Zeitstempel ergänzen die erkannte Sprache um zeitliche Angaben. NVIDIAs NeMo-Beispiel liefert Zeitangaben für Zeichen, Wörter und Segmente, wenn die Erzeugung von Zeitstempeln aktiviert ist. Eine Untertitel- oder Archivanwendung kann Segmentgrenzen nutzen, um eine Passage mit der Aufnahme zu verknüpfen, oder Wortzeitstempel, um eine bestimmte Formulierung zu finden. Das Transkript und seine Zeitangaben sind unterschiedliche Bestandteile des Ergebnisses und sollten miteinander verbunden bleiben.
Bei langen Aufnahmen ist die Attention-Konfiguration entscheidend. Der Hersteller beschreibt bis zu 24 Minuten mit vollständiger Attention auf einer A100 mit 80 GB sowie bis zu drei Stunden mit lokaler Attention. Sein Beispiel für lange Aufnahmen stellt den Encoder auf lokale Attention mit begrenztem linken und rechten Kontext um. Diese Zeitdauern beschreiben bestimmte Herstellerkonfigurationen und sind kein uneingeschränkt geltendes Limit für jede Bereitstellung.
Der Hersteller veröffentlicht außerdem einen Workflow für segmentweise Inferenz im Streaming-Einsatz. Sein Beispiel legt die Segmentlänge sowie den linken und rechten Audiokontext um jedes Segment fest. Dieses Verarbeitungsrezept unterscheidet sich vom nativen, Cache-bewussten Nemotron-Streaming-Modell. Eine Anwendung sollte das gewählte Rezept und die ursprüngliche Zeitreferenz beibehalten, wenn sie das Transkript einer Aufnahme aus mehreren Abschnitten zusammensetzt.
Der Trainingsmix umfasst 10.000 Stunden von Menschen transkribierter Sprache und 660.000 Stunden pseudoannotierter Granary-Daten, wobei Zeichensetzung sowie Groß- und Kleinschreibung erhalten bleiben. Der Hersteller unterstützt außerdem die Feinabstimmung dieses veröffentlichten Checkpoints auf einem anderen Sprachdatensatz über seinen dokumentierten Modell-Workflow; der feinabgestimmte Checkpoint bleibt vom Basismodell v3 getrennt. Die Textausgabe des Modells eignet sich damit als Speech-to-Text-Stufe eines größeren Workflows. Ein Besprechungsarchiv kann das Transkript an die Aufnahme anhängen; eine Suchanwendung kann die erkannte Passage indexieren; ein Untertitelwerkzeug kann die zurückgegebenen Zeitmetadaten nutzen.
Die Erkennungsqualität variiert mit Sprache, Akzent, Hintergrundgeräuschen und Art der Sprache. Der Hersteller weist ausdrücklich darauf hin, dass im Training nicht vertretenes Vokabular übersehen werden kann und dass einzelne Wörter oder unvollständige Sätze weniger Kontext bieten. Bewahren Sie das Originalaudio zur Prüfung von Namen und Fachbegriffen auf, statt eine unsichere Erkennung als bestätigte Tatsache zu behandeln.
Das nutzbare Artefakt ist das Transkript mit den angeforderten Zeitangaben. Zusammenfassungen, Übersetzungen, Sprecheranalysen und Aktionen sind eigenständige Aufgaben der Anwendung und keine durch die Bezeichnung Speech-to-Text implizierten Funktionen. Halten Sie die Identität von v3 und den Attention-Modus des Herstellers von anderen Checkpoints sowie von konvertierten oder quantisierten Artefakten getrennt.
POST /v1/audio/transcriptionsaudiotext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nvidia/parakeet-tdt-0.6b-v3 | Standard— |
Feldinput_audio | Typobject | AnforderungErforderlich | Werte und Limits | Standard— |
Feldlanguage | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Minimum: 0 Maximum: 1 | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits json, verbose_json | Standardjson |
Feldtimestamp_granularities | Typarray | AnforderungOptional | Werte und Limits | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input_audio |
Parametermaterial_types | Vertragaudio |
Parametermaterial_conditions | VertragLesen Sie eine tatsächliche WAV-Datei ein und kodieren Sie ihre echten Bytes für das deklarierte JSON-Feld input_audio; für diese konkrete Deklaration ausschließlich mit JSON wird keine multipart-Route angeboten. |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Die angezeigten Tarife dienen zur Kostenschätzung vor der Generierung. Der endgültige Betrag wird aus den für die ursprüngliche Generierung erfassten Kosten berechnet. Die gemessene Ausgabedauer und prognostizierte Mengen sind nicht die endgültige abrechenbare Menge.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Prognostizierte Menge | Abrechnungseinheit | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Prognostizierte Menge— | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken · Schätzung nur zum Vergleich — / 1K Token Ausgabe · Ausgabetoken · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Lesen · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde · Schätzung nur zum Vergleich — / 1K Token |
| KonfigurationAudioeingabesekunde | Tarifstaffel— | Prognostizierte Menge— | Abrechnungseinheitpro Sekunde Eingabeaudio | Gebühr Eingabe · Audioeingabesekunde · Schätzung nur zum Vergleich $0.00005 pro Sekunde Eingabeaudio |
| KonfigurationGeschätzte Generierungskosten | Tarifstaffel— | Prognostizierte MengeSchätzung für eine Generierung | Abrechnungseinheit— | Gebühr Ausgabe · Geschätzte Generierungskosten · Schätzung nur zum Vergleich $0.00005 Schätzung vor der Generierung Diese Schätzung ist weder eine zusätzliche Gebühr noch ein fester Tarif für die abgeschlossene Generierung. |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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.\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Die vollständige Antwort und ihre Header, jede tatsächliche Ausgabe, die ursprünglich zurückgegebenen Kennungen und alle Nutzungsfelder aufbewahren. Den ursprünglichen Vorgang wiederaufnehmen, ohne die Erstellung erneut anzufordern.
Die zurückgegebene X-Client-Request-ID zum Abgleich aufbewahren. Nur tatsächlich zurückgegebene task_id-/asset_id-Werte oder die eigene Medienbibliothek abfragen; niemals eine Aufgaben-URL aus der Vorgangs-ID bilden und die Erstellung niemals erneut anfordern.
| Feld | Typ |
|---|---|
Feldtext | Typ |
Feldusage | Typ |
Feldsegments[] | Typ |
Feldwords[] | Typ |
Feldspeaker fields | Typ |
Feldtimestamps | Typ |
Ailoot Ultra nvidia/parakeet-tdt-0.6b-v3
Verwenden Sie die oben angezeigten Methodenpfade.