NVIDIA: Parakeet TDT 0.6B v3
NVIDIA:n Parakeet TDT 0.6B v3 on 600M-puheentunnistusmalli 25 eurooppalaiselle kielelle, ja se tunnistaa kielen automaattisesti. Se tuottaa välimerkittyjä litterointeja ja tukee sana- ja segmenttiaikaleimoja; pitkän äänen tilat liittyvät valmistajan huomiomekanismin kokoonpanoon.
Tietoa mallista
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Parakeet TDT 0.6B v3 on NVIDIA:n monikielinen puheentunnistusmalli, jossa on 600 miljoonaa parametria. Se laajentaa vain englantia käsittelevän v2-mallin 25 eurooppalaiseen kieleen ja tunnistaa äänen kielen automaattisesti ilman erillistä kielikehotetta. Tuloksena on puheen litterointi välimerkkeineen ja isoine alkukirjaimineen.
Tuetut kielet ovat bulgaria, kroatia, tšekki, tanska, hollanti, englanti, viro, suomi, ranska, saksa, kreikka, unkari, italia, latvia, liettua, malta, puola, portugali, romania, slovakki, sloveeni, espanja, ruotsi, venäjä ja ukraina. Tämä luettelo kuuluu v3-versioon; muut Parakeet-dekooderityypit ja kieliversiot ovat erillisiä malleja.
Arkkitehtuuri yhdistää FastConformer-enkooderin token- ja kestotransduktoridekooderiin. Enkooderi muuttaa akustisen signaalin esityksiksi; dekooderi ennustaa tekstitokeneita sekä kestoja, joita tarvitaan etenemiseen äänikehysten läpi. Tämä TDT-toiminta erottaa sen perheen CTC-dekoodereista ja tavallisista RNN-T-dekoodereista.
Valmistele yksikanavainen ääni 16 kHz:n näytteenottotaajuudella. Valmistajan suorat syötemuodot ovat WAV ja FLAC, ja sen toteutusesimerkit käyttävät käsittelykomponenttia aaltomuodon valmisteluun tunnistusta varten. Säilytä tallenteen tunniste ja alkuperäinen ääni palautetun tekstin rinnalla, jotta litterointi voidaan tarkastaa tai kohdistaa lähteeseen.
Aikaleimaus lisää tunnistettuun puheeseen ajoitustietoa. NVIDIA:n NeMo-esimerkki palauttaa merkki-, sana- ja segmenttiajoitukset, kun aikaleimojen tuottaminen on käytössä. Tekstitys- tai arkistosovellus voi käyttää segmenttirajoja tekstikohdan yhdistämiseen tallenteeseen tai sana-ajoituksia tietyn ilmauksen paikantamiseen. Litterointi ja sen ajoituskentät ovat tuloksen eri osia, ja niiden tulee säilyä liitettyinä toisiinsa.
Pitkissä tallenteissa huomiomekanismin kokoonpano on olennainen. Valmistaja kuvaa enintään 24 minuuttia täydellä huomiolla 80 GB:n A100:lla ja enintään kolme tuntia paikallisella huomiolla. Sen pitkän äänen esimerkki vaihtaa enkooderin paikalliseen huomioon, jossa vasen ja oikea konteksti ovat rajattuja. Nämä kestot kuvaavat tiettyjä valmistajan kokoonpanoja eivätkä yhtä ehdotonta rajaa jokaiselle käyttöönotolle.
Valmistaja julkaisee myös lohkotun päättelyajon työnkulun suoratoistokäyttöön. Sen esimerkki määrittelee lohkon pituuden sekä vasemman ja oikean äänikontekstin kunkin lohkon ympärillä. Tämä on erillinen käsittelyresepti natiivista välimuistitietoisesta Nemotron-suoratoistomallista. Sovelluksen tulee säilyttää valittu resepti ja alkuperäinen aikaviite, kun se kokoaa tallenteen litterointia osista.
Koulutussekoitus sisältää 10 000 tuntia ihmisen litteroimaa puhetta ja 660 000 tuntia pseudomerkattua Granary-aineistoa välimerkit ja isot alkukirjaimet säilyttäen. Valmistaja tukee myös tämän julkaistun tarkistuspisteen hienosäätöä toisella puheaineistolla dokumentoidun mallityönkulkunsa kautta; hienosäädetty tarkistuspiste pysyy erillään v3-perusmallista. Mallin tekstituloste sopii siten laajemman työnkulun puheesta tekstiksi -vaiheeksi. Kokousarkisto voi liittää litteroinnin tallenteeseen, hakusovellus indeksoida tunnistetun tekstikohdan ja tekstitystyökalu käyttää palautettuja ajoitusmetatietoja.
Tunnistuksen laatu vaihtelee kielen, aksentin, kohinan ja puhetyypin mukaan. Valmistaja huomauttaa erityisesti, että koulutuksessa esiintymätön sanasto voi jäädä tunnistamatta ja että irralliset sanat tai keskeneräiset lauseet antavat heikomman kontekstin. Säilytä alkuperäinen ääni nimien ja erikoistermien tarkastamiseen sen sijaan, että muuttaisit epävarman tunnistuksen varmennetuksi faktaksi.
Hyödyllinen tuotos on litterointi pyydettyine ajoitustietoineen. Yhteenvedot, käännökset, puhuja-analyysi ja toimenpiteet ovat erillisiä sovellustehtäviä eivätkä puheentunnistusnimen tarkoittamia ominaisuuksia. Pidä v3-identiteetti ja valmistajan huomiotila erillään muista tarkistuspisteistä sekä muunnetuista tai kvantisoiduista tuotoksista.
Ailoot Ultra · Litterointi POST /v1/audio/transcriptions nvidia/parakeet-tdt-0.6b-v3
nvidia/parakeet-tdt-0.6b-v3Aloitus
NVIDIA:n Parakeet TDT 0.6B v3 on 600M-puheentunnistusmalli 25 eurooppalaiselle kielelle, ja se tunnistaa kielen automaattisesti. Se tuottaa välimerkittyjä litterointeja ja tukee sana- ja segmenttiaikaleimoja; pitkän äänen tilat liittyvät valmistajan huomiomekanismin kokoonpanoon.
- Hyväksytyt syötteet
- Ääni
- Tulokset
- Teksti
Saatavilla Ailootissa · syötteet & menetelmät
Ailoot Ultra · Litterointi POST /v1/audio/transcriptions
- Syötetyypit
audio- Tulostyypit
text
| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat nvidia/parakeet-tdt-0.6b-v3 | Oletus— |
Kenttäinput_audio | Tyyppiobject | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttälanguage | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätemperature | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 0 Enimmäismäärä: 1 | Oletus— |
Kenttäresponse_format | Tyyppistring | VaatimusValinnainen | Arvot & rajat json, verbose_json | Oletusjson |
Kenttätimestamp_granularities | Tyyppiarray | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttäprovider | Tyyppiobject | VaatimusValinnainen | Arvot & rajat | Oletus— |
Menetelmän parametrit ja elinkaari
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, input_audio |
Parametrimaterial_types | Sopimusaudio |
Parametrimaterial_conditions | SopimusLue todellinen WAV-tiedosto ja koodaa sen todelliset tavut määriteltyyn JSON input_audio -syötteeseen; tälle täsmälliselle, vain JSON-muotoa käyttävälle määrittelylle ei ilmoiteta multipart-reittiä. |
Elinkaari: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · todellisuudessa palautettu task_id tai mediakirjaston tietue
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Hinnoittelu
Lopullisen veloituksen laskenta
Näytettyjen hintojen avulla arvioidaan kustannukset ennen generointia. Lopullinen veloitus lasketaan alkuperäiselle generoinnille kirjatun kustannuksen perusteella. Lopullisena laskutettavana määränä ei käytetä tulosteen mitattua kestoa eikä ennustettuja määriä.
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
- Nopea tila
- Ei määritetty Kun nopea tila on valittu
- Flex-tila
- Ei määritetty Kun flex-tila on valittu
- Päättelyn enimmäisteho
- Ei määritetty Kun päättelyn enimmäistehoon sovelletaan default-oletussäätöä
Arvioidut vertailuhinnat
Hinnat asetusten mukaan
Kohdista kukin veloitus näytettyihin ehtoihin. Käytä yhtä hintaa kutakin vaihtoehtoisten asetusten ryhmää kohden.
| Asetukset | Hinnasto | Ennustettu määrä | Laskutusyksikkö | Veloitus |
|---|---|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Ennustettu määrä— | Laskutusyksikkö— | Veloitus Syöte · Syötetokenit · Arvio vain vertailua varten — / 1K tokenia Tuloste · Tulostokenit · Arvio vain vertailua varten — / 1K tokenia Syöte · Välimuistin luku · Arvio vain vertailua varten — / 1K tokenia Syöte · Välimuistiin kirjoitus · Arvio vain vertailua varten — / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti · Arvio vain vertailua varten — / 1K tokenia |
| Asetuksetäänisyötteen sekunti | Hinnasto— | Ennustettu määrä— | Laskutusyksikkösyöteäänen sekuntia kohden | Veloitus Syöte · äänisyötteen sekunti · Arvio vain vertailua varten $0.00005 syöteäänen sekuntia kohden |
| AsetuksetArvioitu luontikustannus | Hinnasto— | Ennustettu määräyhden generoinnin arvio | Laskutusyksikkö— | Veloitus Tuloste · Arvioidut generointikustannukset · Arvio vain vertailua varten $0.00005 arvio ennen generointia Tämä arvio ei ole lisämaksu eikä valmistuneen generoinnin kiinteä hinta. |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
Esimerkkipyynnöt
Ailoot Ultra · Litterointi
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'nvidia/parakeet-tdt-0.6b-v3', 'input_audio': {'data': '${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Vastaanota ja tallenna tulokset
Ailoot Ultra · Litterointi
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Muut sisällön lukukerrat
set -eu
: "${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.
Säilytä kaikki valmistuneet tulokset
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä koko vastaus ja otsakkeet, jokainen todellinen tuloste, alkuperäiset palautetut tunnisteet ja kaikki käyttötietokentät. Selvitä alkuperäisen operaation tila lähettämättä luontipyyntöä uudelleen.
Jos alkuperäinen vastaus on tarkistettava
Säilytä palautettu X-Client-Request-ID täsmäytystä varten. Tee lukukyselyt vain todellisuudessa palautetuilla task_id/asset_id-arvoilla tai käytä omistamaasi mediakirjastoa; älä koskaan rakenna tehtävän URL-osoitetta operaation ID:n perusteella äläkä lähetä luontipyyntöä uudelleen.
Vastauksen kentät
| Kenttä | Tyyppi |
|---|---|
Kenttätext | Tyyppi |
Kenttäusage | Tyyppi |
Kenttäsegments[] | Tyyppi |
Kenttäwords[] | Tyyppi |
Kenttäspeaker fields | Tyyppi |
Kenttätimestamps | Tyyppi |
Aliakset
Mallin aliakset
Ailoot Ultra nvidia/parakeet-tdt-0.6b-v3
Menetelmäpolkujen aliakset
Käytä yllä näytettyjä menetelmäpolkuja.
Liittyvät kutsujan ID:t
FAQ · NVIDIA: Parakeet TDT 0.6B v3
- Mitä syötteitä ja tuloksia on saatavilla?
POST /v1/audio/transcriptions·nvidia/parakeet-tdt-0.6b-v3:audio→text- Mitä kenttiä pyyntö käyttää?
POST /v1/audio/transcriptions·nvidia/parakeet-tdt-0.6b-v3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Mitä rajoja sovelletaan?
POST /v1/audio/transcriptions·nvidia/parakeet-tdt-0.6b-v3:temperature.minimum:0;temperature.maximum:1