Nemotron 3.5 ASR Streaming Multilingual 0.6B è il modello di riconoscimento vocale di NVIDIA da 600 milioni di parametri per la trascrizione dal vivo e l’elaborazione di audio registrato. Estende la linea di streaming in inglese con il condizionamento tramite identificatore della lingua. Il parlato diventa testo nella lingua di input, con punteggiatura e maiuscole integrate nell’output.
La copertura linguistica del produttore ha tre livelli. Diciannove varianti locali pronte per la trascrizione comprendono inglese statunitense e britannico, spagnolo statunitense e di Spagna, francese di Francia e canadese, italiano, portoghese brasiliano e del Portogallo, olandese, tedesco, turco, russo, arabo, hindi, giapponese, coreano, vietnamita e ucraino. Tredici varianti locali ad ampia copertura aggiungono polacco, svedese, ceco, norvegese bokmål, danese, bulgaro, finlandese, croato, slovacco, mandarino, ungherese, rumeno ed estone. Insieme, queste 32 varianti locali producono trascrizioni senza fine-tuning aggiuntivo.
Otto varianti locali predisposte all’adattamento — greco, lituano, lettone, maltese, sloveno, ebraico, thailandese e norvegese nynorsk — sono riconosciute dal tokenizer ma richiedono un fine-tuning nel dominio di impiego per abilitare la trascrizione completa. La cifra di 40 varianti locali del produttore non afferma quindi che tutte e quaranta abbiano le stesse capacità immediatamente disponibili. Un checkpoint personalizzato è un artefatto separato dal modello di base.
L’architettura combina un encoder FastConformer a 24 strati con gestione della cache e un decoder RNN-T. Conserva gli stati di attenzione e convoluzione dell’encoder dai frame audio precedenti ed elabora ogni nuovo blocco audio senza ricalcolare ripetutamente finestre sovrapposte. Un segnale identificativo della lingua viene fornito insieme alla rappresentazione acustica per condizionare la trascrizione oppure lasciare che il modello deduca la lingua.
La configurazione NeMo di NVIDIA documenta dimensioni dei blocchi di 80, 160, 320, 560 e 1120 millisecondi. L’impostazione dell’attenzione controlla quanto audio futuro riceve un blocco prima che venga emesso il testo, consentendo di bilanciare tempo di attesa e contesto acustico in base all’attività. Queste sono configurazioni di streaming del produttore, non tempi di risposta complessivi garantiti; un’implementazione può esporre un proprio sottoinsieme supportato.
Prepara audio WAV mono alla frequenza di campionamento di 16 kHz del processore del produttore. Quando la lingua è nota, usa il condizionamento della variante locale corrispondente; la modalità automatica rileva la lingua parlata. L’esempio della pipeline di base usa per impostazione predefinita un prompt in inglese statunitense, quindi il comportamento multilingue va configurato deliberatamente anziché dedotto da quell’esempio.
Nella modalità automatica, il flusso del produttore può aggiungere un tag di lingua dopo la punteggiatura terminale della trascrizione. Conservare il tag rende disponibile la lingua a un’applicazione che gestisce traffico in più lingue; rimuoverlo restituisce il solo testo della trascrizione. Preserva la distinzione fra le parole riconosciute, la loro punteggiatura e questi metadati linguistici quando visualizzi o elabori il risultato.
Un’applicazione di sottotitolazione può fornire l’audio in ordine, raccogliere la trascrizione e usare il testo completato per la visualizzazione o l’elaborazione successiva. Un’applicazione vocale può inoltrare il parlato riconosciuto alla propria fase di comprensione del linguaggio. Il lavoro di analisi delle chiamate può conservare insieme la registrazione originale e la trascrizione, affinché nomi, numeri e termini poco familiari rimangano verificabili. Il modello ASR fornisce la trascrizione; riepilogo, azioni e generazione vocale sono fasi separate dell’applicazione.
NVIDIA addestra il modello su una combinazione di dati vocali pubblici e proprietari, con etichette umane e sintetiche normalizzate in testo con punteggiatura e maiuscole corrette. La sua guida all’adattamento sottolinea l’importanza di allineare le etichette linguistiche e lo stile del testo, quindi valutare audio escluso dall’addestramento con l’impostazione di streaming prevista per l’uso. Descrive l’adattamento a lingua, accento e dominio senza attribuire quei risultati personalizzati al checkpoint originale.
La scheda del modello collega la lunghezza pratica della registrazione alla memoria disponibile anziché pubblicare un unico limite universale di durata. Mantieni l’edizione multilingue distinta dal modello limitato all’inglese e conserva la lingua selezionata e la configurazione di streaming insieme al risultato della trascrizione. L’artefatto di output è il testo riconosciuto, con metadati linguistici opzionali del produttore, anziché una risposta conversazionale generica.
", "aboutText": "Nemotron 3.5 ASR Streaming Multilingual 0.6B è il modello di riconoscimento vocale di NVIDIA da 600 milioni di parametri per la trascrizione dal vivo e l’elaborazione di audio registrato. Estende la linea di streaming in inglese con il condizionamento tramite identificatore della lingua. Il parlato diventa testo nella lingua di input, con punteggiatura e maiuscole integrate nell’output.\n\nLa copertura linguistica del produttore ha tre livelli. Diciannove varianti locali pronte per la trascrizione comprendono inglese statunitense e britannico, spagnolo statunitense e di Spagna, francese di Francia e canadese, italiano, portoghese brasiliano e del Portogallo, olandese, tedesco, turco, russo, arabo, hindi, giapponese, coreano, vietnamita e ucraino. Tredici varianti locali ad ampia copertura aggiungono polacco, svedese, ceco, norvegese bokmål, danese, bulgaro, finlandese, croato, slovacco, mandarino, ungherese, rumeno ed estone. Insieme, queste 32 varianti locali producono trascrizioni senza fine-tuning aggiuntivo.\n\nOtto varianti locali predisposte all’adattamento — greco, lituano, lettone, maltese, sloveno, ebraico, thailandese e norvegese nynorsk — sono riconosciute dal tokenizer ma richiedono un fine-tuning nel dominio di impiego per abilitare la trascrizione completa. La cifra di 40 varianti locali del produttore non afferma quindi che tutte e quaranta abbiano le stesse capacità immediatamente disponibili. Un checkpoint personalizzato è un artefatto separato dal modello di base.\n\nL’architettura combina un encoder FastConformer a 24 strati con gestione della cache e un decoder RNN-T. Conserva gli stati di attenzione e convoluzione dell’encoder dai frame audio precedenti ed elabora ogni nuovo blocco audio senza ricalcolare ripetutamente finestre sovrapposte. Un segnale identificativo della lingua viene fornito insieme alla rappresentazione acustica per condizionare la trascrizione oppure lasciare che il modello deduca la lingua.\n\nLa configurazione NeMo di NVIDIA documenta dimensioni dei blocchi di 80, 160, 320, 560 e 1120 millisecondi. L’impostazione dell’attenzione controlla quanto audio futuro riceve un blocco prima che venga emesso il testo, consentendo di bilanciare tempo di attesa e contesto acustico in base all’attività. Queste sono configurazioni di streaming del produttore, non tempi di risposta complessivi garantiti; un’implementazione può esporre un proprio sottoinsieme supportato.\n\nPrepara audio WAV mono alla frequenza di campionamento di 16 kHz del processore del produttore. Quando la lingua è nota, usa il condizionamento della variante locale corrispondente; la modalità automatica rileva la lingua parlata. L’esempio della pipeline di base usa per impostazione predefinita un prompt in inglese statunitense, quindi il comportamento multilingue va configurato deliberatamente anziché dedotto da quell’esempio.\n\nNella modalità automatica, il flusso del produttore può aggiungere un tag di lingua dopo la punteggiatura terminale della trascrizione. Conservare il tag rende disponibile la lingua a un’applicazione che gestisce traffico in più lingue; rimuoverlo restituisce il solo testo della trascrizione. Preserva la distinzione fra le parole riconosciute, la loro punteggiatura e questi metadati linguistici quando visualizzi o elabori il risultato.\n\nUn’applicazione di sottotitolazione può fornire l’audio in ordine, raccogliere la trascrizione e usare il testo completato per la visualizzazione o l’elaborazione successiva. Un’applicazione vocale può inoltrare il parlato riconosciuto alla propria fase di comprensione del linguaggio. Il lavoro di analisi delle chiamate può conservare insieme la registrazione originale e la trascrizione, affinché nomi, numeri e termini poco familiari rimangano verificabili. Il modello ASR fornisce la trascrizione; riepilogo, azioni e generazione vocale sono fasi separate dell’applicazione.\n\nNVIDIA addestra il modello su una combinazione di dati vocali pubblici e proprietari, con etichette umane e sintetiche normalizzate in testo con punteggiatura e maiuscole corrette. La sua guida all’adattamento sottolinea l’importanza di allineare le etichette linguistiche e lo stile del testo, quindi valutare audio escluso dall’addestramento con l’impostazione di streaming prevista per l’uso. Descrive l’adattamento a lingua, accento e dominio senza attribuire quei risultati personalizzati al checkpoint originale.\n\nLa scheda del modello collega la lunghezza pratica della registrazione alla memoria disponibile anziché pubblicare un unico limite universale di durata. Mantieni l’edizione multilingue distinta dal modello limitato all’inglese e conserva la lingua selezionata e la configurazione di streaming insieme al risultato della trascrizione. L’artefatto di output è il testo riconosciuto, con metadati linguistici opzionali del produttore, anziché una risposta conversazionale generica.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "70fac7a9fc4db657f14d701b9cc43d8211cf178c1a29f8ef8c6456a3beee2e9b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "nvidia/nemotron-3.5-asr-streaming-multilingual-0.6bNemotron 3.5 ASR Streaming Multilingual 0.6B di NVIDIA trascrive il parlato in testo con punteggiatura usando un encoder di streaming con gestione della cache. Supporta il condizionamento esplicito sulla lingua o il rilevamento automatico, con 32 varianti locali pronte per la trascrizione e otto che richiedono un adattamento.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Nemotron 3.5 ASR Streaming Multilingual 0.6B è il modello di riconoscimento vocale di NVIDIA da 600 milioni di parametri per la trascrizione dal vivo e l’elaborazione di audio registrato. Estende la linea di streaming in inglese con il condizionamento tramite identificatore della lingua. Il parlato diventa testo nella lingua di input, con punteggiatura e maiuscole integrate nell’output.
La copertura linguistica del produttore ha tre livelli. Diciannove varianti locali pronte per la trascrizione comprendono inglese statunitense e britannico, spagnolo statunitense e di Spagna, francese di Francia e canadese, italiano, portoghese brasiliano e del Portogallo, olandese, tedesco, turco, russo, arabo, hindi, giapponese, coreano, vietnamita e ucraino. Tredici varianti locali ad ampia copertura aggiungono polacco, svedese, ceco, norvegese bokmål, danese, bulgaro, finlandese, croato, slovacco, mandarino, ungherese, rumeno ed estone. Insieme, queste 32 varianti locali producono trascrizioni senza fine-tuning aggiuntivo.
Otto varianti locali predisposte all’adattamento — greco, lituano, lettone, maltese, sloveno, ebraico, thailandese e norvegese nynorsk — sono riconosciute dal tokenizer ma richiedono un fine-tuning nel dominio di impiego per abilitare la trascrizione completa. La cifra di 40 varianti locali del produttore non afferma quindi che tutte e quaranta abbiano le stesse capacità immediatamente disponibili. Un checkpoint personalizzato è un artefatto separato dal modello di base.
L’architettura combina un encoder FastConformer a 24 strati con gestione della cache e un decoder RNN-T. Conserva gli stati di attenzione e convoluzione dell’encoder dai frame audio precedenti ed elabora ogni nuovo blocco audio senza ricalcolare ripetutamente finestre sovrapposte. Un segnale identificativo della lingua viene fornito insieme alla rappresentazione acustica per condizionare la trascrizione oppure lasciare che il modello deduca la lingua.
La configurazione NeMo di NVIDIA documenta dimensioni dei blocchi di 80, 160, 320, 560 e 1120 millisecondi. L’impostazione dell’attenzione controlla quanto audio futuro riceve un blocco prima che venga emesso il testo, consentendo di bilanciare tempo di attesa e contesto acustico in base all’attività. Queste sono configurazioni di streaming del produttore, non tempi di risposta complessivi garantiti; un’implementazione può esporre un proprio sottoinsieme supportato.
Prepara audio WAV mono alla frequenza di campionamento di 16 kHz del processore del produttore. Quando la lingua è nota, usa il condizionamento della variante locale corrispondente; la modalità automatica rileva la lingua parlata. L’esempio della pipeline di base usa per impostazione predefinita un prompt in inglese statunitense, quindi il comportamento multilingue va configurato deliberatamente anziché dedotto da quell’esempio.
Nella modalità automatica, il flusso del produttore può aggiungere un tag di lingua dopo la punteggiatura terminale della trascrizione. Conservare il tag rende disponibile la lingua a un’applicazione che gestisce traffico in più lingue; rimuoverlo restituisce il solo testo della trascrizione. Preserva la distinzione fra le parole riconosciute, la loro punteggiatura e questi metadati linguistici quando visualizzi o elabori il risultato.
Un’applicazione di sottotitolazione può fornire l’audio in ordine, raccogliere la trascrizione e usare il testo completato per la visualizzazione o l’elaborazione successiva. Un’applicazione vocale può inoltrare il parlato riconosciuto alla propria fase di comprensione del linguaggio. Il lavoro di analisi delle chiamate può conservare insieme la registrazione originale e la trascrizione, affinché nomi, numeri e termini poco familiari rimangano verificabili. Il modello ASR fornisce la trascrizione; riepilogo, azioni e generazione vocale sono fasi separate dell’applicazione.
NVIDIA addestra il modello su una combinazione di dati vocali pubblici e proprietari, con etichette umane e sintetiche normalizzate in testo con punteggiatura e maiuscole corrette. La sua guida all’adattamento sottolinea l’importanza di allineare le etichette linguistiche e lo stile del testo, quindi valutare audio escluso dall’addestramento con l’impostazione di streaming prevista per l’uso. Descrive l’adattamento a lingua, accento e dominio senza attribuire quei risultati personalizzati al checkpoint originale.
La scheda del modello collega la lunghezza pratica della registrazione alla memoria disponibile anziché pubblicare un unico limite universale di durata. Mantieni l’edizione multilingue distinta dal modello limitato all’inglese e conserva la lingua selezionata e la configurazione di streaming insieme al risultato della trascrizione. L’artefatto di output è il testo riconosciuto, con metadati linguistici opzionali del produttore, anziché una risposta conversazionale generica.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b | Predefinito— |
Campoinput_audio | Tipoobject | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campolanguage | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Minimo: 0 Massimo: 1 | Predefinito— |
Camporesponse_format | Tipostring | RequisitoFacoltativo | Valori e limiti json, verbose_json | Predefinitojson |
Campotimestamp_granularities | Tipoarray | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input_audio |
Parametromaterial_types | Contrattoaudio |
Parametromaterial_conditions | ContrattoLeggi un file WAV reale e codifica i suoi byte effettivi per l'input JSON dichiarato input_audio; per questa dichiarazione esatta che ammette solo JSON non viene proposta una rotta multipart. |
Ciclo di vita: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effettivamente restituito o record della libreria multimediale
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Le tariffe visualizzate stimano il costo prima della generazione. L'addebito finale viene calcolato in base al costo registrato per la generazione originale. La durata misurata dell'output e le quantità previste non costituiscono la quantità finale fatturabile.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Quantità prevista | Unità di fatturazione | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Quantità prevista— | Unità di fatturazione— | Costo Input · Token in input · Stima solo a fini di confronto — / 1K token Output · Token in output · Stima solo a fini di confronto — / 1K token Input · Lettura dalla cache · Stima solo a fini di confronto — / 1K token Input · Scrittura nella cache · Stima solo a fini di confronto — / 1K token Input · Scrittura nella cache, 1 ora · Stima solo a fini di confronto — / 1K token |
| Configurazionesecondo audio in ingresso | Listino delle tariffe— | Quantità prevista— | Unità di fatturazioneper secondo di audio in input | Costo Input · secondo audio in ingresso · Stima solo a fini di confronto $0.00000666 per secondo di audio in input |
| ConfigurazioneCosto stimato della generazione | Listino delle tariffe— | Quantità previstastima per una generazione | Unità di fatturazione— | Costo Output · Costo di generazione stimato · Stima solo a fini di confronto $0.00000666 stima prima della generazione Questa stima non è un addebito aggiuntivo né una tariffa fissa per la generazione completata. |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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.\nConserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva la risposta completa e gli header, ogni output effettivo, gli identificatori originali restituiti e tutti i campi di utilizzo. Recupera l'operazione originale senza inviare nuovamente la richiesta di creazione.
Conserva l'X-Client-Request-ID restituito per la riconciliazione. Leggi solo i valori task_id/asset_id effettivamente restituiti o la tua libreria multimediale; non costruire mai un URL del task a partire dall'ID dell'operazione e non reinviare mai la richiesta di creazione.
| Campo | Tipo |
|---|---|
Campotext | Tipo |
Campousage | Tipo |
Camposegments[] | Tipo |
Campowords[] | Tipo |
Campospeaker fields | Tipo |
Campotimestamps | Tipo |
Ailoot Ultra nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b
Usa i percorsi dei metodi indicati sopra.