NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

Το Nemotron 3.5 ASR Streaming Multilingual 0.6B της NVIDIA απομαγνητοφωνεί ομιλία σε κείμενο με σημεία στίξης χρησιμοποιώντας έναν κωδικοποιητή συνεχούς ροής που αξιοποιεί κρυφή μνήμη. Υποστηρίζει ρητό γλωσσικό καθορισμό ή αυτόματη ανίχνευση, με 32 τοπικές γλωσσικές παραλλαγές έτοιμες για απομαγνητοφώνηση και οκτώ που απαιτούν προσαρμογή.

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

Σχετικά με το μοντέλο

Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.

Το Nemotron 3.5 ASR Streaming Multilingual 0.6B είναι το μοντέλο αναγνώρισης ομιλίας της NVIDIA με 600 εκατομμύρια παραμέτρους για ζωντανή απομαγνητοφώνηση και επεξεργασία ηχογραφημένου ήχου. Επεκτείνει τη σειρά συνεχούς ροής για αγγλικά με καθορισμό βάσει αναγνωριστικού γλώσσας. Η ομιλία γίνεται κείμενο στη γλώσσα εισόδου, με σημεία στίξης και χρήση κεφαλαίων ενσωματωμένα στην έξοδο.

Η γλωσσική κάλυψη του δημιουργού έχει τρεις βαθμίδες. Δεκαεννέα τοπικές παραλλαγές έτοιμες για απομαγνητοφώνηση καλύπτουν αγγλικά ΗΠΑ και Ηνωμένου Βασιλείου, ισπανικά ΗΠΑ και Ισπανίας, γαλλικά Γαλλίας και Καναδά, ιταλικά, πορτογαλικά Βραζιλίας και Πορτογαλίας, ολλανδικά, γερμανικά, τουρκικά, ρωσικά, αραβικά, χίντι, ιαπωνικά, κορεατικά, βιετναμικά και ουκρανικά. Δεκατρείς παραλλαγές ευρείας κάλυψης προσθέτουν πολωνικά, σουηδικά, τσεχικά, νορβηγικά Bokmål, δανικά, βουλγαρικά, φινλανδικά, κροατικά, σλοβακικά, μανδαρινικά, ουγγρικά, ρουμανικά και εσθονικά. Μαζί, αυτές οι 32 παραλλαγές παράγουν απομαγνητοφώνηση χωρίς πρόσθετη λεπτομερή προσαρμογή.

Οκτώ παραλλαγές έτοιμες για προσαρμογή —ελληνικά, λιθουανικά, λετονικά, μαλτέζικα, σλοβενικά, εβραϊκά, ταϊλανδικά και νορβηγικά Nynorsk— αναγνωρίζονται από τον tokenizer, αλλά απαιτούν λεπτομερή προσαρμογή στο πεδίο εφαρμογής για να ενεργοποιηθεί πλήρης απομαγνητοφώνηση. Επομένως, το μέγεθος των 40 παραλλαγών του κατασκευαστή δεν αποτελεί ισχυρισμό ότι και οι σαράντα έχουν την ίδια δυνατότητα αμέσως μετά την εγκατάσταση. Ένα προσαρμοσμένο σημείο ελέγχου είναι χωριστό αρχείο μοντέλου από το βασικό μοντέλο.

Η αρχιτεκτονική συνδυάζει έναν κωδικοποιητή FastConformer 24 επιπέδων που αξιοποιεί κρυφή μνήμη με έναν αποκωδικοποιητή RNN-T. Διατηρεί τις καταστάσεις προσοχής και συνέλιξης του κωδικοποιητή από προηγούμενα πλαίσια και επεξεργάζεται κάθε νέο τμήμα ήχου χωρίς να επανυπολογίζει επανειλημμένα επικαλυπτόμενα παράθυρα. Ένα σήμα αναγνωριστικού γλώσσας παρέχεται μαζί με την ακουστική αναπαράσταση για να καθορίσει τη γλώσσα της απομαγνητοφώνησης ή να αφήσει το μοντέλο να τη συναγάγει.

Η διαμόρφωση NeMo της NVIDIA τεκμηριώνει μεγέθη τμημάτων 80, 160, 320, 560 και 1.120 χιλιοστών του δευτερολέπτου. Η ρύθμιση προσοχής ελέγχει πόσο μελλοντικό ήχο λαμβάνει ένα τμήμα πριν εκπέμπεται κείμενο, επιτρέποντας σε μια εργασία να εξισορροπεί τον χρόνο αναμονής και τα ακουστικά συμφραζόμενα. Πρόκειται για διαμορφώσεις συνεχούς ροής του κατασκευαστή και όχι για εγγυημένους συνολικούς χρόνους απόκρισης· μια υλοποίηση μπορεί να εκθέτει το δικό της υποστηριζόμενο υποσύνολο.

Προετοιμάστε μονοφωνικό ήχο WAV στον ρυθμό δειγματοληψίας 16 kHz του επεξεργαστή του κατασκευαστή. Όταν η γλώσσα είναι γνωστή, χρησιμοποιήστε τον καθορισμό της αντίστοιχης τοπικής παραλλαγής· η αυτόματη λειτουργία ανιχνεύει την ομιλούμενη γλώσσα. Το βασικό παράδειγμα της αλυσίδας επεξεργασίας χρησιμοποιεί από προεπιλογή προτροπή αγγλικών ΗΠΑ, οπότε η πολύγλωσση συμπεριφορά πρέπει να διαμορφώνεται σκόπιμα αντί να θεωρείται δεδομένη από αυτό το παράδειγμα.

Στην αυτόματη λειτουργία, η ροή εργασίας του κατασκευαστή μπορεί να προσθέτει μια ετικέτα γλώσσας μετά το τελικό σημείο στίξης της απομαγνητοφώνησης. Η διατήρηση της ετικέτας καθιστά τη γλώσσα διαθέσιμη σε μια εφαρμογή που διαχειρίζεται κίνηση πολλών γλωσσών· η αφαίρεσή της επιστρέφει καθαρό κείμενο απομαγνητοφώνησης. Διατηρείτε τη διάκριση ανάμεσα στις αναγνωρισμένες λέξεις, τη στίξη τους και αυτά τα μεταδεδομένα γλώσσας κατά την εμφάνιση ή την επεξεργασία του αποτελέσματος.

Μια εφαρμογή υποτιτλισμού μπορεί να τροφοδοτεί ήχο με τη σωστή σειρά, να συλλέγει την απομαγνητοφώνηση και να χρησιμοποιεί το ολοκληρωμένο κείμενο για εμφάνιση ή μεταγενέστερη επεξεργασία. Μια φωνητική εφαρμογή μπορεί να διαβιβάζει την αναγνωρισμένη ομιλία στο στάδιο γλωσσικής κατανόησής της. Η ανάλυση κλήσεων μπορεί να διατηρεί την αρχική ηχογράφηση και την απομαγνητοφώνηση μαζί, ώστε ονόματα, αριθμοί και άγνωστοι όροι να παραμένουν ελέγξιμοι. Το μοντέλο ASR παρέχει την απομαγνητοφώνηση· η σύνοψη, οι ενέργειες και η παραγωγή ομιλίας είναι χωριστά στάδια της εφαρμογής.

Η NVIDIA εκπαιδεύει το μοντέλο σε μείγμα δημόσιων και ιδιόκτητων δεδομένων ομιλίας, με ανθρώπινες και συνθετικές ετικέτες κανονικοποιημένες σε κείμενο με σημεία στίξης και ορθή χρήση πεζών και κεφαλαίων. Ο οδηγός προσαρμογής της τονίζει την αντιστοίχιση των γλωσσικών ετικετών και του ύφους κειμένου και, κατόπιν, την αξιολόγηση ήχου που έχει εξαιρεθεί από την εκπαίδευση στη ρύθμιση συνεχούς ροής που προορίζεται για χρήση. Περιγράφει προσαρμογή γλώσσας, προφοράς και πεδίου εφαρμογής χωρίς να καθιστά αυτά τα προσαρμοσμένα αποτελέσματα ιδιότητες του αρχικού σημείου ελέγχου.

Η κάρτα του μοντέλου συνδέει το πρακτικό μήκος ηχογράφησης με τη διαθέσιμη μνήμη αντί να δημοσιεύει ένα καθολικό ανώτατο όριο διάρκειας. Διατηρείτε την πολύγλωσση έκδοση διακριτή από το μοντέλο μόνο αγγλικών και κρατάτε την επιλεγμένη γλώσσα και διαμόρφωση συνεχούς ροής μαζί με το αποτέλεσμα απομαγνητοφώνησης. Το παραδοτέο εξόδου είναι το αναγνωρισμένο κείμενο, με προαιρετικά μεταδεδομένα γλώσσας του κατασκευαστή, αντί για μια γενική απάντηση συνομιλίας.

Ailoot Ultra · Απομαγνητοφώνηση 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

Εισαγωγή

Αποδεκτές είσοδοι: Ήχος
Αποτελέσματα: Κείμενο

Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι

Ailoot Ultra · Απομαγνητοφώνηση POST /v1/audio/transcriptions

Είσοδος: audio
Έξοδος: text

Πεδίο	Τύπος	Απαίτηση	Τιμές και όρια	Προεπιλογή
Πεδίο`model`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b	Προεπιλογή—
Πεδίο`input_audio`	Τύπος`object`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια	Προεπιλογή—
Πεδίο`language`	Τύπος`string`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια	Προεπιλογή—
Πεδίο`temperature`	Τύπος`number`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια Ελάχιστο: 0 Μέγιστο: 1	Προεπιλογή—
Πεδίο`response_format`	Τύπος`string`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια json, verbose_json	Προεπιλογήjson
Πεδίο`timestamp_granularities`	Τύπος`array`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια	Προεπιλογή—
Πεδίο`provider`	Τύπος`object`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια	Προεπιλογή—

Παράμετροι και κύκλος ζωής μεθόδου

Παράμετρος	Σύμβαση
Παράμετρος`content_type`	Σύμβασηapplication/json
Παράμετρος`required`	Σύμβασηmodel, input_audio
Παράμετρος`material_types`	Σύμβασηaudio
Παράμετρος`material_conditions`	ΣύμβασηΔιαβάστε πραγματικό αρχείο WAV και κωδικοποιήστε τα πραγματικά byte του για τη δηλωμένη είσοδο JSON input_audio· δεν παρουσιάζεται διαδρομή multipart για αυτή την ακριβή δήλωση αποκλειστικής χρήσης JSON.

Κύκλος ζωής: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Το πραγματικό task_id που επιστράφηκε ή μια εγγραφή στη βιβλιοθήκη πολυμέσων

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Τιμολόγηση

Πώς υπολογίζεται η τελική χρέωση

Οι εμφανιζόμενες τιμές χρησιμοποιούνται για την εκτίμηση του κόστους πριν από την παραγωγή. Η τελική χρέωση υπολογίζεται από το κόστος που καταγράφηκε για την αρχική παραγωγή. Η μετρημένη διάρκεια της εξόδου και οι προβλεπόμενες ποσότητες δεν αποτελούν την τελική χρεώσιμη ποσότητα.

Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.

Γρήγορη λειτουργία: Δεν έχει οριστεί Όταν επιλέγεται η γρήγορη λειτουργία
Λειτουργία flex: Δεν έχει οριστεί Όταν επιλέγεται η λειτουργία flex
Μέγιστη προσπάθεια συλλογισμού: Δεν έχει οριστεί Όταν η μέγιστη προσπάθεια συλλογισμού χρησιμοποιεί την προσαρμογή default

Εκτιμώμενες χρεώσεις για σύγκριση

Τιμές ανά διαμόρφωση

Αντιστοιχίστε κάθε χρέωση στις συνθήκες που εμφανίζονται. Χρησιμοποιήστε μία χρέωση ανά σύνολο εναλλακτικών διαμορφώσεων.

Διαμόρφωση	Πίνακας χρεώσεων	Προβλεπόμενη ποσότητα	Μονάδα τιμολόγησης	Χρέωση
ΔιαμόρφωσηΒασικές χρεώσεις token	Πίνακας χρεώσεωνΒασική χρέωση	Προβλεπόμενη ποσότητα—	Μονάδα τιμολόγησης—	Χρέωση Είσοδος · Token εισόδου · Εκτίμηση μόνο για σύγκριση — / 1K token Έξοδος · Token εξόδου · Εκτίμηση μόνο για σύγκριση — / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη · Εκτίμηση μόνο για σύγκριση — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη · Εκτίμηση μόνο για σύγκριση — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα · Εκτίμηση μόνο για σύγκριση — / 1K token
Διαμόρφωσηδευτερόλεπτο ήχου εισόδου	Πίνακας χρεώσεων—	Προβλεπόμενη ποσότητα—	Μονάδα τιμολόγησηςανά δευτερόλεπτο ήχου εισόδου	Χρέωση Είσοδος · δευτερόλεπτο ήχου εισόδου · Εκτίμηση μόνο για σύγκριση $0.00000666 ανά δευτερόλεπτο ήχου εισόδου
ΔιαμόρφωσηΕκτιμώμενο κόστος δημιουργίας	Πίνακας χρεώσεων—	Προβλεπόμενη ποσότηταεκτίμηση για μία δημιουργία	Μονάδα τιμολόγησης—	Χρέωση Έξοδος · Εκτιμώμενο κόστος δημιουργίας · Εκτίμηση μόνο για σύγκριση $0.00000666 εκτίμηση πριν από τη δημιουργία Αυτή η εκτίμηση δεν αποτελεί πρόσθετη χρέωση ούτε σταθερή τιμή για την ολοκληρωμένη παραγωγή.

Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →

Παραδείγματα αιτημάτων

Ailoot Ultra · Απομαγνητοφώνηση

curl · ακριβές εγγενές σώμα και πλήρες αποτέλεσμα

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.

Λήψη και αποθήκευση αποτελεσμάτων

Ailoot Ultra · Απομαγνητοφώνηση

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

Άλλες ανακτήσεις περιεχομένου

Ανάκτηση υπαρχόντων αρχείων που σας ανήκουν

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.

Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα

Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.

Διατηρήστε ολόκληρη την απόκριση και τις κεφαλίδες, κάθε πραγματικό αποτέλεσμα εξόδου, τα αρχικά αναγνωριστικά που επιστράφηκαν και όλα τα πεδία χρήσης. Ανακτήστε την αρχική λειτουργία χωρίς να υποβάλετε ξανά αίτημα δημιουργίας.

Αν χρειάζεται έλεγχος της αρχικής απάντησης

Διατηρήστε το X-Client-Request-ID που επιστράφηκε για τη συμφωνία των εγγραφών. Διαβάστε μόνο πραγματικές τιμές task_id/asset_id που επιστράφηκαν ή τη βιβλιοθήκη πολυμέσων που σας ανήκει· μην κατασκευάσετε ποτέ URL εργασίας από το ID της λειτουργίας και μην υποβάλετε ποτέ ξανά αίτημα δημιουργίας.

Πεδία απάντησης

Πεδίο	Τύπος
Πεδίο`text`	Τύπος
Πεδίο`usage`	Τύπος
Πεδίο`segments[]`	Τύπος
Πεδίο`words[]`	Τύπος
Πεδίο`speaker fields`	Τύπος
Πεδίο`timestamps`	Τύπος

Εναλλακτικά ονόματα

Εναλλακτικά ονόματα μοντέλου

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

Εναλλακτικές διαδρομές μεθόδων

Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.

Σχετικά ID μοντέλων

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

FAQ · NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

Ποιες είσοδοι και αποτελέσματα διατίθενται;: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: audio → text
Ποια πεδία χρησιμοποιεί το αίτημα;: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Ποια όρια ισχύουν;: 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