Source: https://ailoot.ai/models/ja/nvidia-parakeet-tdt-0-6b-v3/ Canonical: https://ailoot.ai/models/ja/nvidia-parakeet-tdt-0-6b-v3/ Language: ja # NVIDIA: Parakeet TDT 0.6B v3 [Markdown](https://ailoot.ai/models/ja/nvidia-parakeet-tdt-0-6b-v3/index.md) · [JSON](https://ailoot.ai/models/ja/nvidia-parakeet-tdt-0-6b-v3/facts.json) ## [NVIDIA: Parakeet TDT 0.6B v3](https://ailoot.ai/models/ja/nvidia-parakeet-tdt-0-6b-v3/) NVIDIAのParakeet TDT 0.6B v3は、自動言語検出を備え、ヨーロッパの25言語に対応する600Mパラメータの音声テキスト変換モデルです。句読点付きの文字起こしを生成し、単語とセグメントのタイムスタンプに対応します。長時間音声のモードは、開発元のアテンション構成に依存します。 - [**Ailoot Ultra · 文字起こし** `POST /v1/audio/transcriptions` `nvidia/parakeet-tdt-0.6b-v3`](https://ailoot.ai/models/ja/nvidia-parakeet-tdt-0-6b-v3/#method-0) モデルについて この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。 Parakeet TDT 0.6B v3は、NVIDIAの6億パラメータの多言語音声認識モデルです。英語専用だったv2モデルをヨーロッパの25言語に拡張しており、言語を別途プロンプトで指定しなくても音声の言語を自動で検出します。結果は、句読点と大文字・小文字の表記を整えた発話の文字起こしです。 対応言語は、ブルガリア語、クロアチア語、チェコ語、デンマーク語、オランダ語、英語、エストニア語、フィンランド語、フランス語、ドイツ語、ギリシャ語、ハンガリー語、イタリア語、ラトビア語、リトアニア語、マルタ語、ポーランド語、ポルトガル語、ルーマニア語、スロバキア語、スロベニア語、スペイン語、スウェーデン語、ロシア語、ウクライナ語です。この一覧はv3版のものであり、Parakeetのほかのデコーダー形式や言語別の派生版は別モデルです。 アーキテクチャは、FastConformerエンコーダーと、トークンおよび継続時間を予測するトランスデューサーデコーダーを組み合わせています。エンコーダーは音響信号を内部表現に変換し、デコーダーはテキストトークンと、音声フレームを先に進めるために必要な継続時間を同時に予測します。このTDTの動作が、同じファミリーのCTCや通常のRNN-Tデコーダーとの違いです。 16 kHzでサンプリングした単一チャンネルの音声を準備します。開発元が直接入力として示す形式はWAVとFLACで、実装例ではプロセッサーを使って波形を認識用に準備しています。返されたテキストとともに録音の識別子と元の音声を保持し、文字起こしの確認や元音声との位置合わせができるようにしてください。 タイムスタンプは、認識された発話に時刻情報を付加します。NVIDIAのNeMoの例では、タイムスタンプ生成を有効にすると、文字、単語、セグメントの各時刻が返されます。字幕やアーカイブのアプリケーションでは、セグメントの境界を使って文章を録音箇所と結び付けたり、単語の時刻を使って特定のフレーズの位置を見つけたりできます。文字起こし本文と時刻フィールドは結果の別々の部分であり、対応関係を保つ必要があります。 長時間の録音では、アテンションの構成が重要です。開発元は、80 GBのA100上でフルアテンションを使う場合は最大24分、ローカルアテンションを使う場合は最大3時間と説明しています。長時間音声の処理例では、エンコーダーを、左右のコンテキスト範囲を限定したローカルアテンションに切り替えます。これらの時間は開発元の特定の構成を示すもので、すべてのデプロイに無条件で適用される上限ではありません。 開発元は、ストリーミング利用に向けたチャンク分割推論のワークフローも公開しています。その例では、チャンクの長さと、各チャンクの前後に付ける音声コンテキストの長さを定義します。これは、ネイティブでキャッシュを利用するNemotronストリーミングモデルとは別の処理手順です。録音の各区間の文字起こしを集める際は、選択した手順と元の時刻基準をアプリケーション側で保持する必要があります。 学習データには、人手で文字起こしした10,000時間の音声と、疑似ラベルを付けた660,000時間のGranaryデータが含まれ、句読点と大文字・小文字の表記が保持されています。開発元は、文書化されたモデルのワークフローを通じて、この公開チェックポイントを別の音声データセットでファインチューニングすることにも対応しています。調整後のチェックポイントは、基本のv3モデルとは区別されます。そのため、このモデルのテキスト出力は、より大きなワークフローの音声テキスト変換段階に適しています。会議アーカイブでは録音に文字起こしを添付でき、検索アプリケーションでは認識された文章をインデックス化でき、字幕ツールでは返された時刻メタデータを利用できます。 認識品質は、言語、アクセント、雑音、発話の種類によって変わります。開発元は特に、学習時に含まれていなかった語彙は認識されない場合があること、単独の単語や不完全な文では文脈が乏しくなることを指摘しています。不確かな認識を確認済みの事実として扱わず、固有名詞や専門用語を見直せるよう元の音声を保持してください。 有用な成果物は、要求した時刻情報を伴う文字起こしです。要約、翻訳、話者分析、アクションは、アプリケーション側の別タスクであり、音声テキスト変換という名称に含意される機能ではありません。v3というモデルの識別情報と開発元のアテンションモードを、ほかのチェックポイントや変換済み・量子化済みの成果物と明確に区別してください。 **Ailoot Ultra · 文字起こし** `POST /v1/audio/transcriptions` `nvidia/parakeet-tdt-0.6b-v3` [`nvidia/parakeet-tdt-0.6b-v3`](https://ailoot.ai/models/ja/#m=nvidia%2Fparakeet-tdt-0.6b-v3&route=Ultra&caller=nvidia%2Fparakeet-tdt-0.6b-v3&fmt=transcriptions) NVIDIA /`nvidia/parakeet-tdt-0.6b-v3` ### はじめに NVIDIAのParakeet TDT 0.6B v3は、自動言語検出を備え、ヨーロッパの25言語に対応する600Mパラメータの音声テキスト変換モデルです。句読点付きの文字起こしを生成し、単語とセグメントのタイムスタンプに対応します。長時間音声のモードは、開発元のアテンション構成に依存します。 対応する入力 音声 結果 テキスト ### Ailootで利用可能 · 入力とメソッド **Ailoot Ultra · 文字起こし** `POST /v1/audio/transcriptions` 入力の種類 `audio` 出力の種類 `text` | フィールド | 種類 | 要件 | 値と制限 | デフォルト | | --- | --- | --- | --- | --- | | フィールド`model` | 種類`string` | 要件必須 | 値と制限 nvidia/parakeet-tdt-0.6b-v3 | デフォルト— | | フィールド`input_audio` | 種類`object` | 要件必須 | 値と制限 | デフォルト— | | フィールド`language` | 種類`string` | 要件任意 | 値と制限 | デフォルト— | | フィールド`temperature` | 種類`number` | 要件任意 | 値と制限 最小値: 0 最大値: 1 | デフォルト— | | フィールド`response_format` | 種類`string` | 要件任意 | 値と制限 json, verbose\_json | デフォルトjson | | フィールド`timestamp_granularities` | 種類`array` | 要件任意 | 値と制限 | デフォルト— | | フィールド`provider` | 種類`object` | 要件任意 | 値と制限 | デフォルト— | メソッドのパラメータとライフサイクル | パラメータ | 仕様 | | --- | --- | | パラメータ`content_type` | 仕様application/json | | パラメータ`required` | 仕様model, input\_audio | | パラメータ`material_types` | 仕様audio | | パラメータ`material_conditions` | 仕様実際のWAVファイルを読み込み、その実際のバイト列を、宣言されたJSONのinput\_audio向けにエンコードしてください。この厳密にJSONのみを扱う宣言では、multipartルートは提供するとしていません。 | ライフサイクル: `synchronous_result_then_owned_library` `GET /v1/media/tasks/{task_id}` · 実際に返された task\_id またはメディアライブラリのレコード `GET /v1/media/assets/{asset_id}/content` `GET /v1/media/assets` `GET /v1/media/assets/{asset_id}` ### 料金 ##### 最終料金の計算方法 表示料金は生成前の費用の見積もりです。最終請求額は、元の生成処理に記録された費用から計算されます。実測された出力時間や予測数量が、そのまま最終的な課金数量になるわけではありません。 料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。 高速モード 未指定 高速モードが選択されている場合 Flex モード 未指定 flex モードが選択されている場合 最大推論量 未指定 推論量が最大で、調整に既定値（default）を使用する場合 #### 比較用の推定料金 #### 設定別の価格 各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。 | 設定 | 料金表 | 予測数量 | 課金単位 | 料金 | | --- | --- | --- | --- | --- | | 設定基本トークン料金 | 料金表基本料金 | 予測数量— | 課金単位— | 料金 入力 · 入力トークン · 比較専用の見積もり **—** / 1K トークン 出力 · 出力トークン · 比較専用の見積もり **—** / 1K トークン 入力 · キャッシュ読み取り · 比較専用の見積もり **—** / 1K トークン 入力 · キャッシュ書き込み · 比較専用の見積もり **—** / 1K トークン 入力 · キャッシュ書き込み、1時間 · 比較専用の見積もり **—** / 1K トークン | | 設定入力音声の秒 | 料金表— | 予測数量— | 課金単位入力音声1秒あたり | 料金 入力 · 入力音声の秒 · 比較専用の見積もり **$0.00005** 入力音声1秒あたり | | 設定生成費用の見積もり | 料金表— | 予測数量生成1回分の概算 | 課金単位— | 料金 出力 · 推定生成コスト · 比較専用の見積もり **$0.00005** 生成前の見積もり この見積もりは追加料金ではなく、完了した生成処理に対する固定料金でもありません。 | Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。[金額の確保と精算の仕組み →](https://ailoot.ai/docs/ja/billing/reserve/) ### リクエスト例 #### Ailoot Ultra · 文字起こし curl · 正確なネイティブ形式のボディと結果全体 ```bash set -eu : "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o response.bin # Keep the complete original response and headers. Read every returned segment, word and usage field. # Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting. ``` ### 結果を受け取って保存 #### Ailoot Ultra · 文字起こし - `GET /v1/media/tasks/{task_id}` - `GET /v1/media/assets/{asset_id}/content` - `GET /v1/media/assets` - `GET /v1/media/assets/{asset_id}` その他のコンテンツ取得 自分が所有する既存のアセットを読み取る ```bash set -eu : "${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. ``` ##### 完了した結果をすべて保存 返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。 レスポンスとヘッダーの全体、実際の出力すべて、最初に返された識別子、使用量フィールドすべてを保存してください。作成リクエストを再送せずに、元の操作を復旧してください。 ##### 元のレスポンスを確認する場合 照合のため、返された X-Client-Request-ID を保存してください。実際に返された task\_id/asset\_id の値、または自分が所有するメディアライブラリだけを使って読み取ってください。操作 ID からタスクの URL を組み立てたり、作成リクエストを再送したりしないでください。 レスポンスのフィールド | フィールド | 種類 | | --- | --- | | フィールド`text` | 種類 | | フィールド`usage` | 種類 | | フィールド`segments[]` | 種類 | | フィールド`words[]` | 種類 | | フィールド`speaker fields` | 種類 | | フィールド`timestamps` | 種類 | ### エイリアス #### モデルのエイリアス **Ailoot Ultra** [`nvidia/parakeet-tdt-0.6b-v3`](https://ailoot.ai/models/ja/#m=nvidia%2Fparakeet-tdt-0.6b-v3&route=Ultra&caller=nvidia%2Fparakeet-tdt-0.6b-v3&fmt=transcriptions) #### メソッドパスのエイリアス 上記に表示されたメソッドパスを使用してください。 #### 関連する呼び出し用ID [`nvidia/parakeet-tdt-0.6b-v3`](https://ailoot.ai/models/ja/#m=nvidia%2Fparakeet-tdt-0.6b-v3&route=Ultra&caller=nvidia%2Fparakeet-tdt-0.6b-v3&fmt=transcriptions) FAQ · NVIDIA: Parakeet TDT 0.6B v3 利用できる入力と結果は何ですか？ `POST /v1/audio/transcriptions` · `nvidia/parakeet-tdt-0.6b-v3`: `audio` → `text` リクエストはどの項目を使用しますか？ `POST /v1/audio/transcriptions` · `nvidia/parakeet-tdt-0.6b-v3`: `model`, `input_audio`, `language`, `temperature`, `response_format`, `timestamp_granularities`, `provider` どの制限が適用されますか？ `POST /v1/audio/transcriptions` · `nvidia/parakeet-tdt-0.6b-v3`: `temperature.minimum`: `0`; `temperature.maximum`: `1` AilootをClaude Code、OpenCode、Hermes、自分のアプリに接続しましょう。 ## 企業とそのプロジェクト群 企業とそのプロジェクト群：数百万の顧客、毎月数十億規模の売上。 ## トークンを割引価格で購入。 継続利用にサブスクリプション割引。プロモコードでトークン購入が最大50%割引。 サブスクリプション 定期的なリクエストに合う割引プランを選びましょう。 最大50%のプロモコード 購入時にコードを入力すると、実施中のキャンペーンに沿って価格を再計算します。 支出を履歴で確認 各リクエストのモデル、トークン、金額が保存されます。 [サブスクリプションを選ぶ](https://ailoot.ai/docs/ja/billing/subscriptions/) · [モデルの価格を見る](https://ailoot.ai/models/ja/) ## 販売する製品に、 APIを組み込みましょう。 SaaS、アプリ、ボットをAilootの公式サービス提供条件とライセンス契約に基づいて接続できます。再販にはリセラーライセンスを申請できます。 商用アプリ サービスの有料機能に、文章、画像、動画、音声の生成を組み込めます。 リセラーライセンス プロジェクトの説明とアクセスの仕組みをお送りください。利用・再販条件の書面を申請できます。 サイトで契約文書を確認 接続前にサービス提供条件、ライセンス契約、データ処理ポリシーを読めます。 [リセラーライセンスを申請](mailto:support@ailoot.ai) · [サービス提供条件とライセンス契約](https://ailoot.ai/legal/offer?lang=ja) ## Ailoot · 企業とそのプロジェクト群 Ailootは、蓄積した運営経験、幅広い顧客基盤、安定したサービス、継続的なKPI管理を基盤としています。 企業とそのプロジェクト群：数百万の顧客、毎月数十億規模の売上。 Ailootはこの運営経験を、お客様の製品、エージェント、アプリケーション、自動化でAI機能を利用するためのAPIアクセスに活かしています。