Nemotron 3.5 ASR Streaming Multilingual 0.6B est le modèle de reconnaissance vocale de NVIDIA à 600 millions de paramètres pour la transcription en direct et le traitement d’enregistrements audio. Il étend la gamme anglophone de traitement en flux en y ajoutant un conditionnement par identifiant de langue. La parole devient du texte dans la langue d’entrée, avec ponctuation et majuscules intégrées à la sortie.
La couverture linguistique du fabricant comporte trois niveaux. Dix-neuf variantes directement prises en charge pour la transcription couvrent l’anglais des États-Unis et du Royaume-Uni, l’espagnol des États-Unis et d’Espagne, le français de France et du Canada, l’italien, le portugais du Brésil et du Portugal, le néerlandais, l’allemand, le turc, le russe, l’arabe, l’hindi, le japonais, le coréen, le vietnamien et l’ukrainien. Treize variantes à couverture étendue ajoutent le polonais, le suédois, le tchèque, le norvégien bokmål, le danois, le bulgare, le finnois, le croate, le slovaque, le mandarin, le hongrois, le roumain et l’estonien. Ensemble, ces 32 variantes produisent des transcriptions sans affinage supplémentaire.
Huit variantes prêtes à être adaptées — grec, lituanien, letton, maltais, slovène, hébreu, thaï et norvégien nynorsk — sont reconnues par le tokenizer, mais nécessitent un affinage sur des données du domaine pour permettre une transcription complète. Le total de 40 variantes annoncé par le producteur ne signifie donc pas que les quarante offrent la même capacité dès leur mise en service. Un point de contrôle personnalisé constitue un livrable distinct du modèle de base.
L’architecture associe un encodeur FastConformer à 24 couches tenant compte du cache à un décodeur RNN-T. Elle conserve les états d’attention et de convolution de l’encodeur issus des trames antérieures et traite chaque nouveau bloc audio sans recalculer sans cesse les fenêtres qui se chevauchent. Un signal d’identifiant de langue est fourni avec la représentation acoustique pour conditionner la transcription ou laisser le modèle déduire la langue.
La configuration NeMo de NVIDIA documente des blocs de 80, 160, 320, 560 et 1 120 millisecondes. Le réglage d’attention détermine la quantité d’audio futur reçue par un bloc avant l’émission de texte, ce qui permet d’équilibrer le temps d’attente et le contexte acoustique selon la tâche. Ce sont des configurations de traitement en flux du producteur, pas des temps de réponse de bout en bout garantis ; une implémentation peut n’en proposer qu’un sous-ensemble.
Préparez de l’audio WAV mono à la fréquence d’échantillonnage de 16 kHz du processeur du producteur. Lorsque la langue est connue, utilisez le conditionnement correspondant à sa variante ; le mode automatique détecte la langue parlée. L’exemple de pipeline de base utilise par défaut une consigne en anglais des États-Unis ; configurez donc explicitement le comportement multilingue plutôt que de le supposer à partir de cet exemple.
En mode automatique, la procédure du producteur peut ajouter une étiquette de langue après la ponctuation finale de la transcription. Conserver cette étiquette rend la langue disponible pour une application traitant du trafic multilingue ; la supprimer restitue un texte de transcription épuré. Préservez la distinction entre les mots reconnus, leur ponctuation et ces métadonnées de langue lorsque vous affichez ou traitez le résultat.
Une application de sous-titrage peut fournir l’audio dans l’ordre, recueillir la transcription et utiliser le texte terminé pour l’affichage ou un traitement en aval. Une application vocale peut transmettre la parole reconnue à son étape de compréhension du langage. L’analyse d’appels peut conserver ensemble l’enregistrement original et sa transcription pour permettre l’examen des noms, des nombres et des termes peu familiers. Le modèle ASR fournit la transcription ; le résumé, les actions et la génération de parole sont des étapes distinctes de l’application.
NVIDIA entraîne le modèle sur un mélange de données vocales publiques et propriétaires, avec des étiquettes humaines et synthétiques normalisées en texte ponctué respectant la casse correcte. Son guide d’adaptation insiste sur la concordance des étiquettes de langue et du style du texte, puis sur l’évaluation d’enregistrements réservés à cet usage avec le réglage de flux prévu. Il décrit l’adaptation à une langue, à un accent et à un domaine sans attribuer ces résultats personnalisés au point de contrôle d’origine.
La fiche du modèle lie la longueur pratique d’un enregistrement à la mémoire disponible, plutôt que de publier une durée maximale universelle. Distinguez l’édition multilingue du modèle limité à l’anglais et conservez la langue choisie ainsi que la configuration de flux avec le résultat de transcription. Le livrable est le texte reconnu, avec éventuellement les métadonnées de langue du producteur, plutôt qu’une réponse conversationnelle générale.
", "aboutText": "Nemotron 3.5 ASR Streaming Multilingual 0.6B est le modèle de reconnaissance vocale de NVIDIA à 600 millions de paramètres pour la transcription en direct et le traitement d’enregistrements audio. Il étend la gamme anglophone de traitement en flux en y ajoutant un conditionnement par identifiant de langue. La parole devient du texte dans la langue d’entrée, avec ponctuation et majuscules intégrées à la sortie.\n\nLa couverture linguistique du fabricant comporte trois niveaux. Dix-neuf variantes directement prises en charge pour la transcription couvrent l’anglais des États-Unis et du Royaume-Uni, l’espagnol des États-Unis et d’Espagne, le français de France et du Canada, l’italien, le portugais du Brésil et du Portugal, le néerlandais, l’allemand, le turc, le russe, l’arabe, l’hindi, le japonais, le coréen, le vietnamien et l’ukrainien. Treize variantes à couverture étendue ajoutent le polonais, le suédois, le tchèque, le norvégien bokmål, le danois, le bulgare, le finnois, le croate, le slovaque, le mandarin, le hongrois, le roumain et l’estonien. Ensemble, ces 32 variantes produisent des transcriptions sans affinage supplémentaire.\n\nHuit variantes prêtes à être adaptées — grec, lituanien, letton, maltais, slovène, hébreu, thaï et norvégien nynorsk — sont reconnues par le tokenizer, mais nécessitent un affinage sur des données du domaine pour permettre une transcription complète. Le total de 40 variantes annoncé par le producteur ne signifie donc pas que les quarante offrent la même capacité dès leur mise en service. Un point de contrôle personnalisé constitue un livrable distinct du modèle de base.\n\nL’architecture associe un encodeur FastConformer à 24 couches tenant compte du cache à un décodeur RNN-T. Elle conserve les états d’attention et de convolution de l’encodeur issus des trames antérieures et traite chaque nouveau bloc audio sans recalculer sans cesse les fenêtres qui se chevauchent. Un signal d’identifiant de langue est fourni avec la représentation acoustique pour conditionner la transcription ou laisser le modèle déduire la langue.\n\nLa configuration NeMo de NVIDIA documente des blocs de 80, 160, 320, 560 et 1 120 millisecondes. Le réglage d’attention détermine la quantité d’audio futur reçue par un bloc avant l’émission de texte, ce qui permet d’équilibrer le temps d’attente et le contexte acoustique selon la tâche. Ce sont des configurations de traitement en flux du producteur, pas des temps de réponse de bout en bout garantis ; une implémentation peut n’en proposer qu’un sous-ensemble.\n\nPréparez de l’audio WAV mono à la fréquence d’échantillonnage de 16 kHz du processeur du producteur. Lorsque la langue est connue, utilisez le conditionnement correspondant à sa variante ; le mode automatique détecte la langue parlée. L’exemple de pipeline de base utilise par défaut une consigne en anglais des États-Unis ; configurez donc explicitement le comportement multilingue plutôt que de le supposer à partir de cet exemple.\n\nEn mode automatique, la procédure du producteur peut ajouter une étiquette de langue après la ponctuation finale de la transcription. Conserver cette étiquette rend la langue disponible pour une application traitant du trafic multilingue ; la supprimer restitue un texte de transcription épuré. Préservez la distinction entre les mots reconnus, leur ponctuation et ces métadonnées de langue lorsque vous affichez ou traitez le résultat.\n\nUne application de sous-titrage peut fournir l’audio dans l’ordre, recueillir la transcription et utiliser le texte terminé pour l’affichage ou un traitement en aval. Une application vocale peut transmettre la parole reconnue à son étape de compréhension du langage. L’analyse d’appels peut conserver ensemble l’enregistrement original et sa transcription pour permettre l’examen des noms, des nombres et des termes peu familiers. Le modèle ASR fournit la transcription ; le résumé, les actions et la génération de parole sont des étapes distinctes de l’application.\n\nNVIDIA entraîne le modèle sur un mélange de données vocales publiques et propriétaires, avec des étiquettes humaines et synthétiques normalisées en texte ponctué respectant la casse correcte. Son guide d’adaptation insiste sur la concordance des étiquettes de langue et du style du texte, puis sur l’évaluation d’enregistrements réservés à cet usage avec le réglage de flux prévu. Il décrit l’adaptation à une langue, à un accent et à un domaine sans attribuer ces résultats personnalisés au point de contrôle d’origine.\n\nLa fiche du modèle lie la longueur pratique d’un enregistrement à la mémoire disponible, plutôt que de publier une durée maximale universelle. Distinguez l’édition multilingue du modèle limité à l’anglais et conservez la langue choisie ainsi que la configuration de flux avec le résultat de transcription. Le livrable est le texte reconnu, avec éventuellement les métadonnées de langue du producteur, plutôt qu’une réponse conversationnelle générale.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "98d984df269800c10793edd4b457d30bbf6fbbb775cdb60e1aef51d75979eb76", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "nvidia/nemotron-3.5-asr-streaming-multilingual-0.6bNemotron 3.5 ASR Streaming Multilingual 0.6B de NVIDIA transcrit la parole en texte ponctué à l’aide d’un encodeur en flux tenant compte du cache. Il prend en charge un conditionnement explicite par la langue ou sa détection automatique, avec 32 variantes linguistiques directement prises en charge pour la transcription et huit nécessitant une adaptation.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Nemotron 3.5 ASR Streaming Multilingual 0.6B est le modèle de reconnaissance vocale de NVIDIA à 600 millions de paramètres pour la transcription en direct et le traitement d’enregistrements audio. Il étend la gamme anglophone de traitement en flux en y ajoutant un conditionnement par identifiant de langue. La parole devient du texte dans la langue d’entrée, avec ponctuation et majuscules intégrées à la sortie.
La couverture linguistique du fabricant comporte trois niveaux. Dix-neuf variantes directement prises en charge pour la transcription couvrent l’anglais des États-Unis et du Royaume-Uni, l’espagnol des États-Unis et d’Espagne, le français de France et du Canada, l’italien, le portugais du Brésil et du Portugal, le néerlandais, l’allemand, le turc, le russe, l’arabe, l’hindi, le japonais, le coréen, le vietnamien et l’ukrainien. Treize variantes à couverture étendue ajoutent le polonais, le suédois, le tchèque, le norvégien bokmål, le danois, le bulgare, le finnois, le croate, le slovaque, le mandarin, le hongrois, le roumain et l’estonien. Ensemble, ces 32 variantes produisent des transcriptions sans affinage supplémentaire.
Huit variantes prêtes à être adaptées — grec, lituanien, letton, maltais, slovène, hébreu, thaï et norvégien nynorsk — sont reconnues par le tokenizer, mais nécessitent un affinage sur des données du domaine pour permettre une transcription complète. Le total de 40 variantes annoncé par le producteur ne signifie donc pas que les quarante offrent la même capacité dès leur mise en service. Un point de contrôle personnalisé constitue un livrable distinct du modèle de base.
L’architecture associe un encodeur FastConformer à 24 couches tenant compte du cache à un décodeur RNN-T. Elle conserve les états d’attention et de convolution de l’encodeur issus des trames antérieures et traite chaque nouveau bloc audio sans recalculer sans cesse les fenêtres qui se chevauchent. Un signal d’identifiant de langue est fourni avec la représentation acoustique pour conditionner la transcription ou laisser le modèle déduire la langue.
La configuration NeMo de NVIDIA documente des blocs de 80, 160, 320, 560 et 1 120 millisecondes. Le réglage d’attention détermine la quantité d’audio futur reçue par un bloc avant l’émission de texte, ce qui permet d’équilibrer le temps d’attente et le contexte acoustique selon la tâche. Ce sont des configurations de traitement en flux du producteur, pas des temps de réponse de bout en bout garantis ; une implémentation peut n’en proposer qu’un sous-ensemble.
Préparez de l’audio WAV mono à la fréquence d’échantillonnage de 16 kHz du processeur du producteur. Lorsque la langue est connue, utilisez le conditionnement correspondant à sa variante ; le mode automatique détecte la langue parlée. L’exemple de pipeline de base utilise par défaut une consigne en anglais des États-Unis ; configurez donc explicitement le comportement multilingue plutôt que de le supposer à partir de cet exemple.
En mode automatique, la procédure du producteur peut ajouter une étiquette de langue après la ponctuation finale de la transcription. Conserver cette étiquette rend la langue disponible pour une application traitant du trafic multilingue ; la supprimer restitue un texte de transcription épuré. Préservez la distinction entre les mots reconnus, leur ponctuation et ces métadonnées de langue lorsque vous affichez ou traitez le résultat.
Une application de sous-titrage peut fournir l’audio dans l’ordre, recueillir la transcription et utiliser le texte terminé pour l’affichage ou un traitement en aval. Une application vocale peut transmettre la parole reconnue à son étape de compréhension du langage. L’analyse d’appels peut conserver ensemble l’enregistrement original et sa transcription pour permettre l’examen des noms, des nombres et des termes peu familiers. Le modèle ASR fournit la transcription ; le résumé, les actions et la génération de parole sont des étapes distinctes de l’application.
NVIDIA entraîne le modèle sur un mélange de données vocales publiques et propriétaires, avec des étiquettes humaines et synthétiques normalisées en texte ponctué respectant la casse correcte. Son guide d’adaptation insiste sur la concordance des étiquettes de langue et du style du texte, puis sur l’évaluation d’enregistrements réservés à cet usage avec le réglage de flux prévu. Il décrit l’adaptation à une langue, à un accent et à un domaine sans attribuer ces résultats personnalisés au point de contrôle d’origine.
La fiche du modèle lie la longueur pratique d’un enregistrement à la mémoire disponible, plutôt que de publier une durée maximale universelle. Distinguez l’édition multilingue du modèle limité à l’anglais et conservez la langue choisie ainsi que la configuration de flux avec le résultat de transcription. Le livrable est le texte reconnu, avec éventuellement les métadonnées de langue du producteur, plutôt qu’une réponse conversationnelle générale.
POST /v1/audio/transcriptionsaudiotext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b | Par défaut— |
Champinput_audio | Typeobject | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champlanguage | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Minimum: 0 Maximum: 1 | Par défaut— |
Champresponse_format | Typestring | ExigenceFacultatif | Valeurs et limites json, verbose_json | Par défautjson |
Champtimestamp_granularities | Typearray | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input_audio |
Paramètrematerial_types | Contrataudio |
Paramètrematerial_conditions | ContratLisez un fichier WAV réel et encodez ses octets réels pour l’entrée JSON input_audio déclarée ; aucune route multipart n’est annoncée pour cette déclaration exacte exclusivement JSON. |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Les tarifs affichés servent à estimer le coût avant la génération. Le montant final est calculé à partir du coût enregistré pour la génération d’origine. La durée mesurée du résultat et les quantités prévisionnelles ne constituent pas la quantité finale facturable.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Quantité prévisionnelle | Unité de facturation | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Quantité prévisionnelle— | Unité de facturation— | Coût Entrée · Tokens en entrée · Estimation à des fins de comparaison uniquement — / 1K tokens Sortie · Tokens en sortie · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Lecture du cache · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Écriture dans le cache · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Écriture dans le cache, 1 h · Estimation à des fins de comparaison uniquement — / 1K tokens |
| Configurationseconde d’audio en entrée | Barème tarifaire— | Quantité prévisionnelle— | Unité de facturationpar seconde d’audio en entrée | Coût Entrée · seconde d’audio en entrée · Estimation à des fins de comparaison uniquement $0.00000666 par seconde d’audio en entrée |
| ConfigurationCoût estimé de la génération | Barème tarifaire— | Quantité prévisionnelleEstimation pour une génération | Unité de facturation— | Coût Sortie · Coût estimé de génération · Estimation à des fins de comparaison uniquement $0.00000666 estimation avant génération Cette estimation ne constitue ni des frais supplémentaires ni un tarif fixe pour la génération terminée. |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b', 'input_audio': {'data': '${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.\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez la réponse complète et les en-têtes, chaque sortie effective, les identifiants initialement renvoyés et tous les champs d’utilisation. Récupérez l’opération d’origine sans soumettre à nouveau sa création.
Conservez le X-Client-Request-ID renvoyé pour le rapprochement. Consultez uniquement les valeurs task_id/asset_id effectivement renvoyées ou votre bibliothèque multimédia ; ne construisez jamais une URL de tâche à partir de l’identifiant de l’opération et ne soumettez jamais à nouveau la création.
| Champ | Type |
|---|---|
Champtext | Type |
Champusage | Type |
Champsegments[] | Type |
Champwords[] | Type |
Champspeaker fields | Type |
Champtimestamps | Type |
Ailoot Ultra nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b
Utilisez les chemins de méthode indiqués ci-dessus.