Parakeet TDT 0.6B v3 es el modelo multilingüe de reconocimiento de voz de NVIDIA, con 600 millones de parámetros. Amplía el modelo v2, limitado al inglés, a 25 lenguas europeas y detecta automáticamente el idioma del audio sin una instrucción de idioma aparte. El resultado es una transcripción del habla, con puntuación y uso de mayúsculas.
Los idiomas compatibles son búlgaro, croata, checo, danés, neerlandés, inglés, estonio, finés, francés, alemán, griego, húngaro, italiano, letón, lituano, maltés, polaco, portugués, rumano, eslovaco, esloveno, español, sueco, ruso y ucraniano. Esta lista corresponde a la edición v3; los demás tipos de decodificador y variantes lingüísticas de Parakeet son modelos distintos.
La arquitectura combina un codificador FastConformer con un decodificador transductor de tokens y duración. El codificador transforma la señal acústica en representaciones; el decodificador predice tokens de texto junto con las duraciones necesarias para avanzar por las tramas de audio. Este comportamiento TDT lo distingue de los decodificadores CTC y RNN-T convencionales de la familia.
Prepara audio de un solo canal muestreado a 16 kHz. Los formatos de entrada directa del fabricante son WAV y FLAC, y sus ejemplos de implementación utilizan un procesador para preparar la forma de onda para el reconocimiento. Conserva el identificador de la grabación y el audio original junto al texto devuelto para poder comprobar la transcripción o alinearla con la fuente.
Las marcas de tiempo añaden información temporal al habla reconocida. El ejemplo de NeMo de NVIDIA devuelve tiempos por carácter, palabra y segmento cuando se activa su generación. Una aplicación de subtitulado o archivo puede utilizar los límites de los segmentos para vincular un pasaje con la grabación, o los tiempos por palabra para localizar una frase concreta. La transcripción y sus campos temporales son partes distintas del resultado y deben permanecer asociadas.
Para las grabaciones largas, la configuración de atención es relevante. El fabricante describe hasta 24 minutos con atención completa en una A100 de 80 GB y hasta tres horas con atención local. Su ejemplo para audio largo cambia el codificador a atención local con un contexto izquierdo y derecho acotado. Esas duraciones describen configuraciones concretas del fabricante, en lugar de un límite incondicional para cualquier despliegue.
El fabricante también publica un flujo de inferencia por fragmentos para su uso en streaming. Su ejemplo define la longitud del fragmento y el contexto de audio izquierdo y derecho que rodea a cada uno. Es un procedimiento de procesamiento distinto del modelo Nemotron de streaming nativo que conserva estados en caché. Una aplicación debe conservar el procedimiento elegido y la referencia temporal original al reunir la transcripción de una grabación a partir de sus secciones.
La mezcla de entrenamiento incluye 10,000 horas de voz transcrita por personas y 660,000 horas de datos Granary con pseudoetiquetas, manteniendo la puntuación y las mayúsculas. El fabricante también permite ajustar este checkpoint publicado con otro conjunto de datos de voz mediante su flujo de trabajo documentado para modelos; el checkpoint ajustado sigue siendo distinto del modelo v3 de base. Por tanto, la salida de texto del modelo resulta adecuada como etapa de voz a texto de un flujo de trabajo más amplio. Un archivo de reuniones puede adjuntar la transcripción a la grabación; una aplicación de búsqueda puede indexar el pasaje reconocido; una herramienta de subtitulado puede utilizar los metadatos temporales devueltos.
La calidad del reconocimiento varía según el idioma, el acento, el ruido y el tipo de habla. El fabricante señala expresamente que puede omitirse vocabulario que no estuviera representado durante el entrenamiento y que las palabras aisladas o las frases incompletas aportan menos contexto. Conserva el audio original para revisar nombres y términos especializados, en lugar de convertir un reconocimiento incierto en un hecho verificado.
El resultado útil es la transcripción con la información temporal solicitada. Los resúmenes, las traducciones, el análisis de hablantes y las acciones son tareas separadas de la aplicación, no funciones implícitas en el nombre voz a texto. Mantén diferenciadas la identidad v3 y el modo de atención del fabricante frente a otros checkpoints y a los archivos de modelos convertidos o cuantizados.
", "aboutText": "Parakeet TDT 0.6B v3 es el modelo multilingüe de reconocimiento de voz de NVIDIA, con 600 millones de parámetros. Amplía el modelo v2, limitado al inglés, a 25 lenguas europeas y detecta automáticamente el idioma del audio sin una instrucción de idioma aparte. El resultado es una transcripción del habla, con puntuación y uso de mayúsculas.\n\nLos idiomas compatibles son búlgaro, croata, checo, danés, neerlandés, inglés, estonio, finés, francés, alemán, griego, húngaro, italiano, letón, lituano, maltés, polaco, portugués, rumano, eslovaco, esloveno, español, sueco, ruso y ucraniano. Esta lista corresponde a la edición v3; los demás tipos de decodificador y variantes lingüísticas de Parakeet son modelos distintos.\n\nLa arquitectura combina un codificador FastConformer con un decodificador transductor de tokens y duración. El codificador transforma la señal acústica en representaciones; el decodificador predice tokens de texto junto con las duraciones necesarias para avanzar por las tramas de audio. Este comportamiento TDT lo distingue de los decodificadores CTC y RNN-T convencionales de la familia.\n\nPrepara audio de un solo canal muestreado a 16 kHz. Los formatos de entrada directa del fabricante son WAV y FLAC, y sus ejemplos de implementación utilizan un procesador para preparar la forma de onda para el reconocimiento. Conserva el identificador de la grabación y el audio original junto al texto devuelto para poder comprobar la transcripción o alinearla con la fuente.\n\nLas marcas de tiempo añaden información temporal al habla reconocida. El ejemplo de NeMo de NVIDIA devuelve tiempos por carácter, palabra y segmento cuando se activa su generación. Una aplicación de subtitulado o archivo puede utilizar los límites de los segmentos para vincular un pasaje con la grabación, o los tiempos por palabra para localizar una frase concreta. La transcripción y sus campos temporales son partes distintas del resultado y deben permanecer asociadas.\n\nPara las grabaciones largas, la configuración de atención es relevante. El fabricante describe hasta 24 minutos con atención completa en una A100 de 80 GB y hasta tres horas con atención local. Su ejemplo para audio largo cambia el codificador a atención local con un contexto izquierdo y derecho acotado. Esas duraciones describen configuraciones concretas del fabricante, en lugar de un límite incondicional para cualquier despliegue.\n\nEl fabricante también publica un flujo de inferencia por fragmentos para su uso en streaming. Su ejemplo define la longitud del fragmento y el contexto de audio izquierdo y derecho que rodea a cada uno. Es un procedimiento de procesamiento distinto del modelo Nemotron de streaming nativo que conserva estados en caché. Una aplicación debe conservar el procedimiento elegido y la referencia temporal original al reunir la transcripción de una grabación a partir de sus secciones.\n\nLa mezcla de entrenamiento incluye 10,000 horas de voz transcrita por personas y 660,000 horas de datos Granary con pseudoetiquetas, manteniendo la puntuación y las mayúsculas. El fabricante también permite ajustar este checkpoint publicado con otro conjunto de datos de voz mediante su flujo de trabajo documentado para modelos; el checkpoint ajustado sigue siendo distinto del modelo v3 de base. Por tanto, la salida de texto del modelo resulta adecuada como etapa de voz a texto de un flujo de trabajo más amplio. Un archivo de reuniones puede adjuntar la transcripción a la grabación; una aplicación de búsqueda puede indexar el pasaje reconocido; una herramienta de subtitulado puede utilizar los metadatos temporales devueltos.\n\nLa calidad del reconocimiento varía según el idioma, el acento, el ruido y el tipo de habla. El fabricante señala expresamente que puede omitirse vocabulario que no estuviera representado durante el entrenamiento y que las palabras aisladas o las frases incompletas aportan menos contexto. Conserva el audio original para revisar nombres y términos especializados, en lugar de convertir un reconocimiento incierto en un hecho verificado.\n\nEl resultado útil es la transcripción con la información temporal solicitada. Los resúmenes, las traducciones, el análisis de hablantes y las acciones son tareas separadas de la aplicación, no funciones implícitas en el nombre voz a texto. Mantén diferenciadas la identidad v3 y el modo de atención del fabricante frente a otros checkpoints y a los archivos de modelos convertidos o cuantizados.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5bdd37b537de375d5376387e6f4fef92966c425e8a14a3ae2297a5fa3744ea63", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "nvidia/parakeet-tdt-0.6b-v3Parakeet TDT 0.6B v3 de NVIDIA es un modelo de voz a texto de 600M parámetros para 25 lenguas europeas, con detección automática del idioma. Genera transcripciones con puntuación y admite marcas de tiempo por palabra y segmento, con modos para audio largo vinculados a la configuración de atención del fabricante.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Parakeet TDT 0.6B v3 es el modelo multilingüe de reconocimiento de voz de NVIDIA, con 600 millones de parámetros. Amplía el modelo v2, limitado al inglés, a 25 lenguas europeas y detecta automáticamente el idioma del audio sin una instrucción de idioma aparte. El resultado es una transcripción del habla, con puntuación y uso de mayúsculas.
Los idiomas compatibles son búlgaro, croata, checo, danés, neerlandés, inglés, estonio, finés, francés, alemán, griego, húngaro, italiano, letón, lituano, maltés, polaco, portugués, rumano, eslovaco, esloveno, español, sueco, ruso y ucraniano. Esta lista corresponde a la edición v3; los demás tipos de decodificador y variantes lingüísticas de Parakeet son modelos distintos.
La arquitectura combina un codificador FastConformer con un decodificador transductor de tokens y duración. El codificador transforma la señal acústica en representaciones; el decodificador predice tokens de texto junto con las duraciones necesarias para avanzar por las tramas de audio. Este comportamiento TDT lo distingue de los decodificadores CTC y RNN-T convencionales de la familia.
Prepara audio de un solo canal muestreado a 16 kHz. Los formatos de entrada directa del fabricante son WAV y FLAC, y sus ejemplos de implementación utilizan un procesador para preparar la forma de onda para el reconocimiento. Conserva el identificador de la grabación y el audio original junto al texto devuelto para poder comprobar la transcripción o alinearla con la fuente.
Las marcas de tiempo añaden información temporal al habla reconocida. El ejemplo de NeMo de NVIDIA devuelve tiempos por carácter, palabra y segmento cuando se activa su generación. Una aplicación de subtitulado o archivo puede utilizar los límites de los segmentos para vincular un pasaje con la grabación, o los tiempos por palabra para localizar una frase concreta. La transcripción y sus campos temporales son partes distintas del resultado y deben permanecer asociadas.
Para las grabaciones largas, la configuración de atención es relevante. El fabricante describe hasta 24 minutos con atención completa en una A100 de 80 GB y hasta tres horas con atención local. Su ejemplo para audio largo cambia el codificador a atención local con un contexto izquierdo y derecho acotado. Esas duraciones describen configuraciones concretas del fabricante, en lugar de un límite incondicional para cualquier despliegue.
El fabricante también publica un flujo de inferencia por fragmentos para su uso en streaming. Su ejemplo define la longitud del fragmento y el contexto de audio izquierdo y derecho que rodea a cada uno. Es un procedimiento de procesamiento distinto del modelo Nemotron de streaming nativo que conserva estados en caché. Una aplicación debe conservar el procedimiento elegido y la referencia temporal original al reunir la transcripción de una grabación a partir de sus secciones.
La mezcla de entrenamiento incluye 10,000 horas de voz transcrita por personas y 660,000 horas de datos Granary con pseudoetiquetas, manteniendo la puntuación y las mayúsculas. El fabricante también permite ajustar este checkpoint publicado con otro conjunto de datos de voz mediante su flujo de trabajo documentado para modelos; el checkpoint ajustado sigue siendo distinto del modelo v3 de base. Por tanto, la salida de texto del modelo resulta adecuada como etapa de voz a texto de un flujo de trabajo más amplio. Un archivo de reuniones puede adjuntar la transcripción a la grabación; una aplicación de búsqueda puede indexar el pasaje reconocido; una herramienta de subtitulado puede utilizar los metadatos temporales devueltos.
La calidad del reconocimiento varía según el idioma, el acento, el ruido y el tipo de habla. El fabricante señala expresamente que puede omitirse vocabulario que no estuviera representado durante el entrenamiento y que las palabras aisladas o las frases incompletas aportan menos contexto. Conserva el audio original para revisar nombres y términos especializados, en lugar de convertir un reconocimiento incierto en un hecho verificado.
El resultado útil es la transcripción con la información temporal solicitada. Los resúmenes, las traducciones, el análisis de hablantes y las acciones son tareas separadas de la aplicación, no funciones implícitas en el nombre voz a texto. Mantén diferenciadas la identidad v3 y el modo de atención del fabricante frente a otros checkpoints y a los archivos de modelos convertidos o cuantizados.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites nvidia/parakeet-tdt-0.6b-v3 | Predeterminado— |
Campoinput_audio | Tipoobject | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campolanguage | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Mínimo: 0 Máximo: 1 | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites json, verbose_json | Predeterminadojson |
Campotimestamp_granularities | Tipoarray | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input_audio |
Parámetromaterial_types | Contratoaudio |
Parámetromaterial_conditions | ContratoLee un archivo WAV real y codifica sus bytes reales para el input_audio JSON declarado; no se anuncia una ruta multipart para esta declaración exacta que solo acepta JSON. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · El task_id real devuelto o el registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las tarifas mostradas permiten estimar el costo antes de la generación. El cargo final se calcula a partir del costo registrado para la generación original. La duración medida de la salida y las cantidades estimadas no son la cantidad facturable final.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad prevista | Unidad de facturación | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad prevista— | Unidad de facturación— | Cargo Entrada · Tokens de entrada · Estimación solo para comparar — / 1K tokens Salida · Tokens de salida · Estimación solo para comparar — / 1K tokens Entrada · Lectura de caché · Estimación solo para comparar — / 1K tokens Entrada · Escritura en caché · Estimación solo para comparar — / 1K tokens Entrada · Escritura en caché, 1 hora · Estimación solo para comparar — / 1K tokens |
| Configuraciónsegundo de audio de entrada | Tabla de tarifas— | Cantidad prevista— | Unidad de facturaciónpor segundo de audio de entrada | Cargo Entrada · segundo de audio de entrada · Estimación solo para comparar $0.00005 por segundo de audio de entrada |
| ConfiguraciónCosto estimado de generación | Tabla de tarifas— | Cantidad previstaestimación para una generación | Unidad de facturación— | Cargo Salida · Costo estimado de generación · Estimación solo para comparar $0.00005 estimación previa a la generación Esta estimación no es un cargo adicional ni una tarifa fija por la generación completada. |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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.\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID devuelto para la conciliación. Consulta únicamente los valores reales de task_id/asset_id devueltos o la biblioteca multimedia de tu propiedad; nunca construyas una URL de tarea a partir del ID de la operación ni vuelvas a enviar la solicitud de creación.
| Campo | Tipo |
|---|---|
Campotext | Tipo |
Campousage | Tipo |
Camposegments[] | Tipo |
Campowords[] | Tipo |
Campospeaker fields | Tipo |
Campotimestamps | Tipo |
Ailoot Ultra nvidia/parakeet-tdt-0.6b-v3
Usa las rutas de método indicadas arriba.