NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

Nemotron 3.5 ASR Streaming Multilingual 0.6B NVIDIA mentranskripsikan pertuturan menjadi teks bertanda baca menggunakan pengekod penstriman yang sedar cache. Model ini menyokong penyesuaian berdasarkan bahasa secara jelas atau pengesanan automatik, dengan 32 lokal sedia untuk transkripsi dan lapan memerlukan penyesuaian.

Ailoot Ultra · Transkripsi POST /v1/audio/transcriptions nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

Nemotron 3.5 ASR Streaming Multilingual 0.6B ialah model pengecaman pertuturan NVIDIA dengan 600 juta parameter untuk transkripsi langsung dan beban kerja audio rakaman. Model ini memperluas barisan penstriman bahasa Inggeris dengan penyesuaian berdasarkan ID bahasa. Pertuturan menjadi teks dalam bahasa input, dengan tanda baca dan huruf besar terbina dalam output.

Liputan bahasa pengeluar mempunyai tiga peringkat. Sembilan belas lokal sedia transkripsi meliputi bahasa Inggeris AS dan UK, Sepanyol AS dan Sepanyol, Perancis di Perancis dan Kanada, Itali, Portugis Brazil dan Portugal, Belanda, Jerman, Turki, Rusia, Arab, Hindi, Jepun, Korea, Vietnam dan Ukraine. Tiga belas lokal liputan luas menambah bahasa Poland, Sweden, Czech, Bokmål Norway, Denmark, Bulgaria, Finland, Croatia, Slovak, Mandarin, Hungary, Romania dan Estonia. Bersama-sama, 32 lokal ini menghasilkan transkripsi tanpa penalaan halus tambahan.

Lapan lokal sedia penyesuaian—bahasa Yunani, Lithuania, Latvia, Malta, Slovenia, Ibrani, Thai dan Nynorsk Norway—dikenali oleh tokenizer tetapi memerlukan penalaan halus dalam domain untuk mendayakan transkripsi penuh. Oleh itu, angka 40 lokal pengeluar bukan dakwaan bahawa kesemua empat puluh mempunyai keupayaan sedia guna yang sama. Checkpoint tersuai ialah artifak yang berasingan daripada model asas.

Seni bina menggabungkan pengekod FastConformer 24 lapisan yang sedar cache dengan penyahkod RNN-T. Model ini mengekalkan keadaan perhatian dan konvolusi pengekod daripada bingkai terdahulu serta memproses setiap ketul audio baharu tanpa berulang kali mengira semula tetingkap bertindih. Isyarat ID bahasa dibekalkan bersama perwakilan akustik untuk menyesuaikan transkrip berdasarkan bahasa atau membiarkan model menyimpulkan bahasa.

Konfigurasi NeMo NVIDIA mendokumenkan saiz ketul 80, 160, 320, 560 dan 1120 milisaat. Tetapan perhatian mengawal jumlah audio masa hadapan yang diterima ketul sebelum teks dikeluarkan, membolehkan tugas mengimbangkan masa menunggu dan konteks akustik. Ini ialah konfigurasi penstriman pengeluar, bukannya masa respons hujung ke hujung yang dijamin; pelaksanaan boleh mendedahkan subset sokongannya sendiri.

Sediakan audio WAV mono pada kadar sampel 16 kHz pemproses pengeluar. Apabila bahasa diketahui, gunakan penyesuaian berdasarkan lokal yang sepadan; mod automatik mengesan bahasa yang dituturkan. Contoh saluran asas menggunakan prom bahasa Inggeris AS secara lalai, maka tingkah laku berbilang bahasa perlu dikonfigurasi dengan sengaja dan bukannya diandaikan daripada contoh itu.

Dalam mod automatik, aliran kerja pengeluar boleh menambah tag bahasa selepas tanda baca penamat transkrip. Mengekalkan tag itu menyediakan bahasa kepada aplikasi yang mengendalikan trafik berbilang bahasa; membuangnya mengembalikan teks transkrip yang bersih. Kekalkan perbezaan antara perkataan yang dikenal pasti, tanda bacanya dan metadata bahasa ini apabila memaparkan atau memproses hasil.

Aplikasi kapsyen boleh membekalkan audio mengikut turutan, mengumpulkan transkrip dan menggunakan teks yang lengkap untuk paparan atau pemprosesan hiliran. Aplikasi suara boleh menghantar pertuturan yang dikenal pasti kepada peringkat pemahaman bahasanya. Kerja analisis panggilan boleh menyimpan rakaman asal dan transkrip bersama-sama supaya nama, nombor dan istilah tidak biasa kekal boleh disemak. Model ASR membekalkan transkrip; peringkasan, tindakan dan penjanaan pertuturan ialah peringkat aplikasi yang berasingan.

NVIDIA melatih model pada campuran data pertuturan awam dan proprietari dengan label manusia serta sintetik yang dinormalkan kepada teks bertanda baca dan penggunaan huruf besar yang betul. Panduan penyesuaiannya menekankan pemadanan label bahasa dan gaya teks, kemudian penilaian audio yang diketepikan daripada latihan pada tetapan penstriman yang dimaksudkan untuk penggunaan. Ia menerangkan penyesuaian bahasa, loghat dan domain tanpa menjadikan hasil tersuai itu sifat checkpoint asal.

Kad model mengaitkan panjang rakaman praktikal dengan memori yang tersedia dan bukannya menerbitkan satu had tempoh sejagat. Bezakan edisi berbilang bahasa daripada model bahasa Inggeris sahaja, dan simpan bahasa terpilih serta konfigurasi penstriman bersama hasil transkripsi. Artifak output ialah teks yang dikenal pasti, dengan metadata bahasa pengeluar secara pilihan, dan bukannya jawapan perbualan umum.

Ailoot Ultra · Transkripsi POST /v1/audio/transcriptions nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

NVIDIA /nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

Pengenalan

Input yang diterima: Audio
Hasil: Teks

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Transkripsi POST /v1/audio/transcriptions

Input: audio
Output: text

Medan	Jenis	Keperluan	Nilai & had	Lalai
Medan`model`	Jenis`string`	KeperluanDiperlukan	Nilai & had nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b	Lalai—
Medan`input_audio`	Jenis`object`	KeperluanDiperlukan	Nilai & had	Lalai—
Medan`language`	Jenis`string`	KeperluanPilihan	Nilai & had	Lalai—
Medan`temperature`	Jenis`number`	KeperluanPilihan	Nilai & had Minimum: 0 Maksimum: 1	Lalai—
Medan`response_format`	Jenis`string`	KeperluanPilihan	Nilai & had json, verbose_json	Lalaijson
Medan`timestamp_granularities`	Jenis`array`	KeperluanPilihan	Nilai & had	Lalai—
Medan`provider`	Jenis`object`	KeperluanPilihan	Nilai & had	Lalai—

Parameter kaedah dan kitar hayat

Parameter	Kontrak
Parameter`content_type`	Kontrakapplication/json
Parameter`required`	Kontrakmodel, input_audio
Parameter`material_types`	Kontrakaudio
Parameter`material_conditions`	KontrakBaca fail WAV sebenar dan kodkan bait sebenarnya untuk input_audio JSON yang diisytiharkan; tiada laluan multipart ditawarkan bagi pengisytiharan tepat yang hanya menggunakan JSON ini.

Kitar hayat: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id sebenar yang dikembalikan atau rekod pustaka media

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Pelan harga

Cara caj akhir dikira

Kadar yang dipaparkan menganggarkan kos sebelum penjanaan. Caj akhir dikira berdasarkan kos yang direkodkan untuk penjanaan asal. Tempoh output yang diukur dan kuantiti ramalan bukan kuantiti akhir yang boleh dibilkan.

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas: Tidak dinyatakan Apabila mod pantas dipilih
Mod flex: Tidak dinyatakan Apabila mod flex dipilih
Usaha penaakulan maksimum: Tidak dinyatakan Apabila usaha penaakulan maksimum menggunakan pelarasan default

Anggaran kadar untuk perbandingan

Harga mengikut konfigurasi

Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.

Konfigurasi	Jadual kadar	Kuantiti ramalan	Unit pengebilan	Caj
KonfigurasiKadar asas token	Jadual kadarKadar asas	Kuantiti ramalan—	Unit pengebilan—	Caj Input · Token input · Anggaran untuk perbandingan sahaja — / 1K token Output · Token output · Anggaran untuk perbandingan sahaja — / 1K token Input · Bacaan cache · Anggaran untuk perbandingan sahaja — / 1K token Input · Penulisan cache · Anggaran untuk perbandingan sahaja — / 1K token Input · Penulisan cache, 1 jam · Anggaran untuk perbandingan sahaja — / 1K token
Konfigurasisaat audio input	Jadual kadar—	Kuantiti ramalan—	Unit pengebilanbagi setiap saat audio masukan	Caj Input · saat audio input · Anggaran untuk perbandingan sahaja $0.00000666 bagi setiap saat audio masukan
KonfigurasiAnggaran kos penjanaan	Jadual kadar—	Kuantiti ramalananggaran untuk satu penjanaan	Unit pengebilan—	Caj Output · Anggaran kos penjanaan · Anggaran untuk perbandingan sahaja $0.00000666 anggaran sebelum penjanaan Anggaran ini bukan caj tambahan atau kadar tetap bagi penjanaan yang telah selesai.

Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →

Contoh permintaan

Ailoot Ultra · Transkripsi

curl · badan permintaan natif yang tepat dan hasil lengkap

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/nemotron-3.5-asr-streaming-multilingual-0.6b', '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.

Terima dan simpan hasil

Ailoot Ultra · Transkripsi

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Pembacaan kandungan lain

Baca aset sedia ada yang menjadi milik anda

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.

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.

Simpan respons dan pengepala yang lengkap, setiap output sebenar, pengecam asal yang dikembalikan serta semua medan penggunaan. Pulihkan operasi asal tanpa menghantar permintaan penciptaan sekali lagi.

Jika respons asal perlu disemak

Simpan X-Client-Request-ID yang dikembalikan untuk penyelarasan rekod. Baca hanya nilai task_id/asset_id sebenar yang dikembalikan atau pustaka media milik anda; jangan sekali-kali bina URL tugas daripada ID operasi atau hantar semula permintaan penciptaan.

Medan respons

Medan	Jenis
Medan`text`	Jenis
Medan`usage`	Jenis
Medan`segments[]`	Jenis
Medan`words[]`	Jenis
Medan`speaker fields`	Jenis
Medan`timestamps`	Jenis

Alias

Alias model

Ailoot Ultra nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

FAQ · NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

Apakah input dan hasil yang tersedia?: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: audio → text
Apakah medan yang digunakan oleh permintaan?: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Apakah had yang terpakai?: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: temperature.minimum: 0; temperature.maximum: 1

NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B