Parakeet TDT 0.6B v3 è il modello multilingue di riconoscimento vocale di NVIDIA da 600 milioni di parametri. Estende il modello v2, limitato all’inglese, a 25 lingue europee e rileva automaticamente la lingua dell’audio senza un prompt linguistico separato. Il risultato è una trascrizione del parlato, con punteggiatura e maiuscole.
Le lingue supportate sono bulgaro, croato, ceco, danese, olandese, inglese, estone, finlandese, francese, tedesco, greco, ungherese, italiano, lettone, lituano, maltese, polacco, portoghese, rumeno, slovacco, sloveno, spagnolo, svedese, russo e ucraino. Questo elenco appartiene all’edizione v3; gli altri tipi di decoder Parakeet e le varianti linguistiche sono modelli separati.
L’architettura combina un encoder FastConformer con un decoder a trasduttore di token e durate. L’encoder trasforma il segnale acustico in rappresentazioni; il decoder predice token testuali insieme alle durate necessarie per avanzare fra i frame audio. Questo comportamento TDT lo distingue dai decoder CTC e RNN-T ordinari della famiglia.
Prepara audio a canale singolo campionato a 16 kHz. I formati di input diretti del produttore sono WAV e FLAC, e gli esempi di implementazione usano un processore per preparare la forma d’onda al riconoscimento. Conserva l’identificatore della registrazione e l’audio originale insieme al testo restituito, così la trascrizione può essere verificata o allineata alla fonte.
L’aggiunta di timestamp fornisce informazioni temporali sul parlato riconosciuto. L’esempio NeMo di NVIDIA restituisce riferimenti temporali per caratteri, parole e segmenti quando la generazione dei timestamp è abilitata. Un’applicazione di sottotitolazione o archiviazione può usare i confini dei segmenti per collegare un passaggio alla registrazione, oppure i tempi delle parole per individuare una frase specifica. La trascrizione e i suoi campi temporali sono parti diverse del risultato e devono rimanere associati.
Per le registrazioni lunghe, la configurazione dell’attenzione è rilevante. Il produttore descrive fino a 24 minuti con attenzione completa su una A100 da 80 GB e fino a tre ore con attenzione locale. Il suo esempio per audio lunghi imposta l’encoder sull’attenzione locale con contesto sinistro e destro circoscritto. Queste durate descrivono configurazioni specifiche del produttore, anziché un unico limite incondizionato per ogni distribuzione.
Il produttore pubblica anche un flusso di inferenza a blocchi per l’uso in streaming. Il suo esempio definisce la lunghezza dei blocchi e il contesto audio sinistro e destro attorno a ciascun blocco. È una procedura di elaborazione distinta dal modello di streaming Nemotron nativo con gestione della cache. Un’applicazione deve conservare la procedura scelta e il riferimento temporale originale quando raccoglie la trascrizione di una registrazione attraverso più sezioni.
La combinazione di dati di addestramento comprende 10.000 ore di parlato trascritto da persone e 660.000 ore di dati Granary con pseudo-etichette, preservando punteggiatura e maiuscole. Il produttore supporta inoltre il fine-tuning di questo checkpoint rilasciato su un altro dataset vocale attraverso il flusso documentato del modello; il checkpoint adattato rimane distinto dal modello v3 di base. L’output testuale del modello è quindi adatto come fase di conversione da parlato a testo di un flusso più ampio. Un archivio di riunioni può allegare la trascrizione alla registrazione; un’applicazione di ricerca può indicizzare il passaggio riconosciuto; uno strumento di sottotitolazione può usare i metadati temporali restituiti.
La qualità del riconoscimento varia in base a lingua, accento, rumore e tipo di parlato. Il produttore osserva espressamente che il vocabolario non rappresentato durante l’addestramento può non essere riconosciuto e che parole isolate o frasi incomplete forniscono un contesto più debole. Conserva l’audio originale per verificare nomi e termini specialistici, anziché trasformare un riconoscimento incerto in un fatto verificato.
L’artefatto utile è la trascrizione con le informazioni temporali richieste. Riepiloghi, traduzioni, analisi dei parlanti e azioni sono attività separate dell’applicazione, non funzionalità implicite nel nome di un modello di conversione da parlato a testo. Mantieni l’identità v3 e la modalità di attenzione del produttore distinte dagli altri checkpoint e dagli artefatti convertiti o quantizzati.
", "aboutText": "Parakeet TDT 0.6B v3 è il modello multilingue di riconoscimento vocale di NVIDIA da 600 milioni di parametri. Estende il modello v2, limitato all’inglese, a 25 lingue europee e rileva automaticamente la lingua dell’audio senza un prompt linguistico separato. Il risultato è una trascrizione del parlato, con punteggiatura e maiuscole.\n\nLe lingue supportate sono bulgaro, croato, ceco, danese, olandese, inglese, estone, finlandese, francese, tedesco, greco, ungherese, italiano, lettone, lituano, maltese, polacco, portoghese, rumeno, slovacco, sloveno, spagnolo, svedese, russo e ucraino. Questo elenco appartiene all’edizione v3; gli altri tipi di decoder Parakeet e le varianti linguistiche sono modelli separati.\n\nL’architettura combina un encoder FastConformer con un decoder a trasduttore di token e durate. L’encoder trasforma il segnale acustico in rappresentazioni; il decoder predice token testuali insieme alle durate necessarie per avanzare fra i frame audio. Questo comportamento TDT lo distingue dai decoder CTC e RNN-T ordinari della famiglia.\n\nPrepara audio a canale singolo campionato a 16 kHz. I formati di input diretti del produttore sono WAV e FLAC, e gli esempi di implementazione usano un processore per preparare la forma d’onda al riconoscimento. Conserva l’identificatore della registrazione e l’audio originale insieme al testo restituito, così la trascrizione può essere verificata o allineata alla fonte.\n\nL’aggiunta di timestamp fornisce informazioni temporali sul parlato riconosciuto. L’esempio NeMo di NVIDIA restituisce riferimenti temporali per caratteri, parole e segmenti quando la generazione dei timestamp è abilitata. Un’applicazione di sottotitolazione o archiviazione può usare i confini dei segmenti per collegare un passaggio alla registrazione, oppure i tempi delle parole per individuare una frase specifica. La trascrizione e i suoi campi temporali sono parti diverse del risultato e devono rimanere associati.\n\nPer le registrazioni lunghe, la configurazione dell’attenzione è rilevante. Il produttore descrive fino a 24 minuti con attenzione completa su una A100 da 80 GB e fino a tre ore con attenzione locale. Il suo esempio per audio lunghi imposta l’encoder sull’attenzione locale con contesto sinistro e destro circoscritto. Queste durate descrivono configurazioni specifiche del produttore, anziché un unico limite incondizionato per ogni distribuzione.\n\nIl produttore pubblica anche un flusso di inferenza a blocchi per l’uso in streaming. Il suo esempio definisce la lunghezza dei blocchi e il contesto audio sinistro e destro attorno a ciascun blocco. È una procedura di elaborazione distinta dal modello di streaming Nemotron nativo con gestione della cache. Un’applicazione deve conservare la procedura scelta e il riferimento temporale originale quando raccoglie la trascrizione di una registrazione attraverso più sezioni.\n\nLa combinazione di dati di addestramento comprende 10.000 ore di parlato trascritto da persone e 660.000 ore di dati Granary con pseudo-etichette, preservando punteggiatura e maiuscole. Il produttore supporta inoltre il fine-tuning di questo checkpoint rilasciato su un altro dataset vocale attraverso il flusso documentato del modello; il checkpoint adattato rimane distinto dal modello v3 di base. L’output testuale del modello è quindi adatto come fase di conversione da parlato a testo di un flusso più ampio. Un archivio di riunioni può allegare la trascrizione alla registrazione; un’applicazione di ricerca può indicizzare il passaggio riconosciuto; uno strumento di sottotitolazione può usare i metadati temporali restituiti.\n\nLa qualità del riconoscimento varia in base a lingua, accento, rumore e tipo di parlato. Il produttore osserva espressamente che il vocabolario non rappresentato durante l’addestramento può non essere riconosciuto e che parole isolate o frasi incomplete forniscono un contesto più debole. Conserva l’audio originale per verificare nomi e termini specialistici, anziché trasformare un riconoscimento incerto in un fatto verificato.\n\nL’artefatto utile è la trascrizione con le informazioni temporali richieste. Riepiloghi, traduzioni, analisi dei parlanti e azioni sono attività separate dell’applicazione, non funzionalità implicite nel nome di un modello di conversione da parlato a testo. Mantieni l’identità v3 e la modalità di attenzione del produttore distinte dagli altri checkpoint e dagli artefatti convertiti o quantizzati.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "23ec6d428169923276883ce5079d408747ef51894baa6a8fad418a01ba015457", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "nvidia/parakeet-tdt-0.6b-v3Parakeet TDT 0.6B v3 di NVIDIA è un modello da 600M per la conversione da parlato a testo in 25 lingue europee, con rilevamento automatico della lingua. Produce trascrizioni con punteggiatura e supporta timestamp per parole e segmenti, con modalità per audio lunghi legate alla configurazione dell’attenzione del produttore.
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.
Parakeet TDT 0.6B v3 è il modello multilingue di riconoscimento vocale di NVIDIA da 600 milioni di parametri. Estende il modello v2, limitato all’inglese, a 25 lingue europee e rileva automaticamente la lingua dell’audio senza un prompt linguistico separato. Il risultato è una trascrizione del parlato, con punteggiatura e maiuscole.
Le lingue supportate sono bulgaro, croato, ceco, danese, olandese, inglese, estone, finlandese, francese, tedesco, greco, ungherese, italiano, lettone, lituano, maltese, polacco, portoghese, rumeno, slovacco, sloveno, spagnolo, svedese, russo e ucraino. Questo elenco appartiene all’edizione v3; gli altri tipi di decoder Parakeet e le varianti linguistiche sono modelli separati.
L’architettura combina un encoder FastConformer con un decoder a trasduttore di token e durate. L’encoder trasforma il segnale acustico in rappresentazioni; il decoder predice token testuali insieme alle durate necessarie per avanzare fra i frame audio. Questo comportamento TDT lo distingue dai decoder CTC e RNN-T ordinari della famiglia.
Prepara audio a canale singolo campionato a 16 kHz. I formati di input diretti del produttore sono WAV e FLAC, e gli esempi di implementazione usano un processore per preparare la forma d’onda al riconoscimento. Conserva l’identificatore della registrazione e l’audio originale insieme al testo restituito, così la trascrizione può essere verificata o allineata alla fonte.
L’aggiunta di timestamp fornisce informazioni temporali sul parlato riconosciuto. L’esempio NeMo di NVIDIA restituisce riferimenti temporali per caratteri, parole e segmenti quando la generazione dei timestamp è abilitata. Un’applicazione di sottotitolazione o archiviazione può usare i confini dei segmenti per collegare un passaggio alla registrazione, oppure i tempi delle parole per individuare una frase specifica. La trascrizione e i suoi campi temporali sono parti diverse del risultato e devono rimanere associati.
Per le registrazioni lunghe, la configurazione dell’attenzione è rilevante. Il produttore descrive fino a 24 minuti con attenzione completa su una A100 da 80 GB e fino a tre ore con attenzione locale. Il suo esempio per audio lunghi imposta l’encoder sull’attenzione locale con contesto sinistro e destro circoscritto. Queste durate descrivono configurazioni specifiche del produttore, anziché un unico limite incondizionato per ogni distribuzione.
Il produttore pubblica anche un flusso di inferenza a blocchi per l’uso in streaming. Il suo esempio definisce la lunghezza dei blocchi e il contesto audio sinistro e destro attorno a ciascun blocco. È una procedura di elaborazione distinta dal modello di streaming Nemotron nativo con gestione della cache. Un’applicazione deve conservare la procedura scelta e il riferimento temporale originale quando raccoglie la trascrizione di una registrazione attraverso più sezioni.
La combinazione di dati di addestramento comprende 10.000 ore di parlato trascritto da persone e 660.000 ore di dati Granary con pseudo-etichette, preservando punteggiatura e maiuscole. Il produttore supporta inoltre il fine-tuning di questo checkpoint rilasciato su un altro dataset vocale attraverso il flusso documentato del modello; il checkpoint adattato rimane distinto dal modello v3 di base. L’output testuale del modello è quindi adatto come fase di conversione da parlato a testo di un flusso più ampio. Un archivio di riunioni può allegare la trascrizione alla registrazione; un’applicazione di ricerca può indicizzare il passaggio riconosciuto; uno strumento di sottotitolazione può usare i metadati temporali restituiti.
La qualità del riconoscimento varia in base a lingua, accento, rumore e tipo di parlato. Il produttore osserva espressamente che il vocabolario non rappresentato durante l’addestramento può non essere riconosciuto e che parole isolate o frasi incomplete forniscono un contesto più debole. Conserva l’audio originale per verificare nomi e termini specialistici, anziché trasformare un riconoscimento incerto in un fatto verificato.
L’artefatto utile è la trascrizione con le informazioni temporali richieste. Riepiloghi, traduzioni, analisi dei parlanti e azioni sono attività separate dell’applicazione, non funzionalità implicite nel nome di un modello di conversione da parlato a testo. Mantieni l’identità v3 e la modalità di attenzione del produttore distinte dagli altri checkpoint e dagli artefatti convertiti o quantizzati.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nvidia/parakeet-tdt-0.6b-v3 | 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 $0.00005 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 $0.00005 stima prima della generazione Questa stima non è un addebito aggiuntivo né una tariffa fissa per la generazione completata. |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'nvidia/parakeet-tdt-0.6b-v3', 'input_audio': {'data': '${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 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/parakeet-tdt-0.6b-v3
Usa i percorsi dei metodi indicati sopra.