Source: https://ailoot.ai/models/pl/nvidia-nemotron-3-5-asr-streaming-multilingual-0-6b/ Canonical: https://ailoot.ai/models/pl/nvidia-nemotron-3-5-asr-streaming-multilingual-0-6b/ Language: pl # NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B [Markdown](https://ailoot.ai/models/pl/nvidia-nemotron-3-5-asr-streaming-multilingual-0-6b/index.md) · [JSON](https://ailoot.ai/models/pl/nvidia-nemotron-3-5-asr-streaming-multilingual-0-6b/facts.json) ## [NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B](https://ailoot.ai/models/pl/nvidia-nemotron-3-5-asr-streaming-multilingual-0-6b/) Nemotron 3.5 ASR Streaming Multilingual 0.6B firmy NVIDIA przepisuje mowę na tekst z interpunkcją za pomocą kodera strumieniowego wykorzystującego pamięć podręczną. Obsługuje jawne warunkowanie językiem lub automatyczne wykrywanie; 32 warianty językowo-regionalne są gotowe do transkrypcji, a osiem wymaga adaptacji. - [**Ailoot Ultra · Transkrypcja** `POST /v1/audio/transcriptions` `nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b`](https://ailoot.ai/models/pl/nvidia-nemotron-3-5-asr-streaming-multilingual-0-6b/#method-0) O modelu Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody. Nemotron 3.5 ASR Streaming Multilingual 0.6B to model rozpoznawania mowy firmy NVIDIA o 600 milionach parametrów, przeznaczony do transkrypcji na żywo i przetwarzania nagrań. Rozszerza anglojęzyczną linię strumieniową o warunkowanie identyfikatorem języka. Mowa staje się tekstem w języku wejściowym, z interpunkcją oraz wielkimi i małymi literami wbudowanymi w wynik. Zakres języków producenta ma trzy poziomy. Dziewiętnaście wariantów gotowych do transkrypcji obejmuje angielski z USA i Wielkiej Brytanii, hiszpański z USA i Hiszpanii, francuski z Francji i Kanady, włoski, portugalski z Brazylii i Portugalii, niderlandzki, niemiecki, turecki, rosyjski, arabski, hindi, japoński, koreański, wietnamski oraz ukraiński. Trzynaście wariantów o szerokim pokryciu dodaje polski, szwedzki, czeski, norweski bokmål, duński, bułgarski, fiński, chorwacki, słowacki, mandaryński, węgierski, rumuński i estoński. Łącznie te 32 warianty językowo-regionalne tworzą transkrypcję bez dodatkowego dostrajania. Osiem wariantów gotowych do adaptacji — grecki, litewski, łotewski, maltański, słoweński, hebrajski, tajski i norweski nynorsk — jest rozpoznawanych przez tokenizer, ale wymaga dostrojenia na danych z docelowej dziedziny, aby uruchomić pełną transkrypcję. Podawana przez producenta liczba 40 wariantów nie oznacza więc, że wszystkie czterdzieści mają takie same możliwości od razu po uruchomieniu. Dostosowany checkpoint jest odrębnym materiałem od modelu bazowego. Architektura łączy 24-warstwowy koder FastConformer wykorzystujący pamięć podręczną z dekoderem RNN-T. Zachowuje stany uwagi i splotów kodera z wcześniejszych ramek oraz przetwarza każdą nową porcję dźwięku bez wielokrotnego przeliczania nakładających się okien. Sygnał identyfikatora języka jest dostarczany wraz z reprezentacją akustyczną, aby warunkować transkrypcję lub pozwolić modelowi wywnioskować język. Konfiguracja NVIDIA NeMo dokumentuje rozmiary porcji wynoszące 80, 160, 320, 560 i 1120 milisekund. Ustawienie uwagi określa, ile przyszłego dźwięku otrzyma dana porcja przed wyemitowaniem tekstu, pozwalając równoważyć czas oczekiwania i kontekst akustyczny. Są to konfiguracje strumieniowe producenta, a nie gwarantowane czasy odpowiedzi całego procesu; implementacja może udostępniać własny obsługiwany podzbiór. Przygotuj dźwięk mono WAV z częstotliwością próbkowania 16 kHz właściwą procesorowi producenta. Gdy język jest znany, użyj warunkowania odpowiednim wariantem językowo-regionalnym; tryb automatyczny wykrywa język mówiony. Podstawowy przykład procesu domyślnie używa polecenia dla angielskiego z USA, więc działanie wielojęzyczne należy skonfigurować świadomie, zamiast zakładać je na podstawie tego przykładu. W trybie automatycznym procedura producenta może dołączyć znacznik języka po końcowym znaku interpunkcyjnym transkrypcji. Zachowanie znacznika udostępnia język aplikacji obsługującej ruch w różnych językach; jego usunięcie daje czysty tekst transkrypcji. Zachowaj rozróżnienie między rozpoznanymi słowami, ich interpunkcją i tymi metadanymi językowymi podczas wyświetlania lub przetwarzania wyniku. Aplikacja do napisów może podawać dźwięk w kolejności, zbierać transkrypcję i wykorzystywać ukończony tekst do wyświetlania lub dalszego przetwarzania. Aplikacja głosowa może przekazać rozpoznaną mowę do etapu rozumienia języka. Przy analizie rozmów można zachować razem oryginalne nagranie i transkrypcję, aby nazwy, liczby i nieznane terminy nadal można było sprawdzić. Model ASR dostarcza transkrypcję; podsumowanie, działania i generowanie mowy są odrębnymi etapami aplikacji. NVIDIA trenuje model na połączeniu publicznych i własnościowych danych mowy z etykietami ludzkimi oraz syntetycznymi, znormalizowanymi do tekstu z interpunkcją i prawidłową wielkością liter. Przewodnik adaptacji podkreśla dopasowanie etykiet językowych i stylu tekstu, a następnie ocenę nagrań niewykorzystanych w treningu przy ustawieniu strumieniowym przeznaczonym do użycia. Opisuje adaptację do języka, akcentu i dziedziny, nie przypisując tych dostosowanych wyników pierwotnemu checkpointowi. Karta modelu wiąże praktyczną długość nagrania z dostępną pamięcią, zamiast publikować jeden uniwersalny maksymalny czas. Odróżniaj wersję wielojęzyczną od modelu obsługującego wyłącznie angielski i zachowaj wybrany język oraz konfigurację strumieniową razem z wynikiem transkrypcji. Materiałem wyjściowym jest rozpoznany tekst z opcjonalnymi metadanymi językowymi producenta, a nie ogólna odpowiedź w rozmowie. **Ailoot Ultra · Transkrypcja** `POST /v1/audio/transcriptions` `nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b` [`nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b`](https://ailoot.ai/models/pl/#m=nvidia%2Fnemotron-3.5-asr-streaming-multilingual-0.6b&route=Ultra&caller=nvidia%2Fnemotron-3.5-asr-streaming-multilingual-0.6b&fmt=transcriptions) NVIDIA /`nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b` ### Start Nemotron 3.5 ASR Streaming Multilingual 0.6B firmy NVIDIA przepisuje mowę na tekst z interpunkcją za pomocą kodera strumieniowego wykorzystującego pamięć podręczną. Obsługuje jawne warunkowanie językiem lub automatyczne wykrywanie; 32 warianty językowo-regionalne są gotowe do transkrypcji, a osiem wymaga adaptacji. Akceptowane dane wejściowe Audio Wyniki Tekst ### Dostępne w Ailoot · dane wejściowe i metody **Ailoot Ultra · Transkrypcja** `POST /v1/audio/transcriptions` Wejście `audio` Wyjście `text` | Pole | Typ | Wymaganie | Wartości i limity | Domyślnie | | --- | --- | --- | --- | --- | | Pole`model` | Typ`string` | WymaganieWymagane | Wartości i limity nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b | Domyślnie— | | Pole`input_audio` | Typ`object` | WymaganieWymagane | Wartości i limity | Domyślnie— | | Pole`language` | Typ`string` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | | Pole`temperature` | Typ`number` | WymaganieOpcjonalne | Wartości i limity Minimum: 0 Maksimum: 1 | Domyślnie— | | Pole`response_format` | Typ`string` | WymaganieOpcjonalne | Wartości i limity json, verbose\_json | Domyślniejson | | Pole`timestamp_granularities` | Typ`array` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | | Pole`provider` | Typ`object` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | Parametry i cykl życia metody | Parametr | Kontrakt | | --- | --- | | Parametr`content_type` | Kontraktapplication/json | | Parametr`required` | Kontraktmodel, input\_audio | | Parametr`material_types` | Kontraktaudio | | Parametr`material_conditions` | KontraktOdczytaj rzeczywisty plik WAV i zakoduj jego prawdziwe bajty dla zadeklarowanego wejścia JSON input\_audio; dla tej konkretnej deklaracji obsługującej wyłącznie JSON nie deklaruje się ścieżki multipart. | Cykl życia: `synchronous_result_then_owned_library` `GET /v1/media/tasks/{task_id}` · Rzeczywiście zwrócony task\_id lub wpis w bibliotece multimediów `GET /v1/media/assets/{asset_id}/content` `GET /v1/media/assets` `GET /v1/media/assets/{asset_id}` ### Cennik ##### Jak obliczana jest ostateczna opłata Wyświetlane stawki służą do oszacowania kosztu przed generowaniem. Ostateczna opłata jest obliczana na podstawie kosztu zarejestrowanego dla pierwotnego generowania. Zmierzony czas trwania wyniku i prognozowane ilości nie stanowią ostatecznej ilości podlegającej rozliczeniu. Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie. Tryb szybki Nie określono Gdy wybrany jest tryb szybki Tryb flex Nie określono Gdy wybrany jest tryb flex Maksymalna intensywność rozumowania Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default) #### Szacunkowe stawki do porównania #### Ceny według konfiguracji Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji. | Konfiguracja | Tabela stawek | Przewidywana ilość | Jednostka rozliczeniowa | Opłata | | --- | --- | --- | --- | --- | | KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Przewidywana ilość— | Jednostka rozliczeniowa— | Opłata Wejście · Tokeny wejściowe · Szacunek tylko do porównania **—** / 1K tokenów Wyjście · Tokeny wyjściowe · Szacunek tylko do porównania **—** / 1K tokenów Wejście · Odczyt cache · Szacunek tylko do porównania **—** / 1K tokenów Wejście · Zapis do cache · Szacunek tylko do porównania **—** / 1K tokenów Wejście · Zapis do cache, 1 godz. · Szacunek tylko do porównania **—** / 1K tokenów | | Konfiguracjasekunda wejściowego audio | Tabela stawek— | Przewidywana ilość— | Jednostka rozliczeniowaza sekundę dźwięku wejściowego | Opłata Wejście · sekunda wejściowego audio · Szacunek tylko do porównania **$0.00000666** za sekundę dźwięku wejściowego | | KonfiguracjaSzacowany koszt generowania | Tabela stawek— | Przewidywana ilośćszacunek dla jednego generowania | Jednostka rozliczeniowa— | Opłata Wyjście · Szacowany koszt generowania · Szacunek tylko do porównania **$0.00000666** szacunek przed generowaniem Ten szacunek nie jest dodatkową opłatą ani stałą stawką za ukończone generowanie. | Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. [Jak działają rezerwacja i rozliczenie →](https://ailoot.ai/docs/pl/billing/reserve/) ### Przykładowe żądania #### Ailoot Ultra · Transkrypcja curl · natywna treść żądania w dokładnej postaci i kompletny wynik ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path import base64 audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes() if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file') if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow') request={'model': 'nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b', 'input_audio': {'data': '${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o response.bin # Keep the complete original response and headers. Read every returned segment, word and usage field. # Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting. ``` ### Odbieranie i zapisywanie wyników #### Ailoot Ultra · Transkrypcja - `GET /v1/media/tasks/{task_id}` - `GET /v1/media/assets/{asset_id}/content` - `GET /v1/media/assets` - `GET /v1/media/assets/{asset_id}` Inne odczyty treści Odczytaj istniejące zasoby należące do Ciebie ```bash set -eu : "${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. ``` ##### Zachowaj wszystkie ukończone wyniki Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści. Zachowaj pełną odpowiedź i nagłówki, wszystkie rzeczywiście uzyskane wyniki, pierwotnie zwrócone identyfikatory oraz wszystkie pola zużycia. Odzyskaj pierwotną operację bez ponownego wysyłania żądania utworzenia. ##### Jeśli trzeba sprawdzić pierwotną odpowiedź Zachowaj zwrócony X-Client-Request-ID do uzgodnienia danych. Odczytuj wyłącznie rzeczywiście zwrócone wartości task\_id/asset\_id lub własną bibliotekę multimediów; nigdy nie buduj adresu URL zadania na podstawie identyfikatora operacji i nigdy nie wysyłaj ponownie żądania utworzenia. Pola odpowiedzi | Pole | Typ | | --- | --- | | Pole`text` | Typ | | Pole`usage` | Typ | | Pole`segments[]` | Typ | | Pole`words[]` | Typ | | Pole`speaker fields` | Typ | | Pole`timestamps` | Typ | ### Aliasy #### Aliasy modelu **Ailoot Ultra** [`nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b`](https://ailoot.ai/models/pl/#m=nvidia%2Fnemotron-3.5-asr-streaming-multilingual-0.6b&route=Ultra&caller=nvidia%2Fnemotron-3.5-asr-streaming-multilingual-0.6b&fmt=transcriptions) #### Aliasy ścieżek metod Użyj ścieżek metod podanych powyżej. #### Powiązane ID modeli [`nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b`](https://ailoot.ai/models/pl/#m=nvidia%2Fnemotron-3.5-asr-streaming-multilingual-0.6b&route=Ultra&caller=nvidia%2Fnemotron-3.5-asr-streaming-multilingual-0.6b&fmt=transcriptions) FAQ · NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B Jakie dane wejściowe i wyniki są dostępne? `POST /v1/audio/transcriptions` · `nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b`: `audio` → `text` Jakich pól używa żądanie? `POST /v1/audio/transcriptions` · `nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b`: `model`, `input_audio`, `language`, `temperature`, `response_format`, `timestamp_granularities`, `provider` Jakie limity obowiązują? `POST /v1/audio/transcriptions` · `nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b`: `temperature.minimum`: `0`; `temperature.maximum`: `1` Połącz Ailoot z Claude Code, OpenCode, Hermes albo własną aplikacją. ## Firma i jej portfel projektów Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. ## Kupuj tokeny z rabatem. Rabat subskrypcji do regularnej pracy. Kody promocyjne — do 50% na tokeny. Subskrypcja Wybierz plan z rabatem do regularnych żądań. Kod promocyjny do 50% Wpisz kod przy zakupie. Cena zostanie przeliczona według aktualnej promocji. Koszty w historii Model, tokeny i kwota są zapisywane dla każdego żądania. [Wybierz subskrypcję](https://ailoot.ai/docs/pl/billing/subscriptions/) · [Sprawdź ceny modeli](https://ailoot.ai/models/pl/) ## Połącz API z produktem, który sprzedajesz. SaaS, aplikacje i boty na warunkach oferty i umowy licencyjnej Ailoot. Do odsprzedaży poproś o licencję resellerską. Aplikacja komercyjna Wbuduj generowanie tekstu, obrazów, wideo i dźwięku w płatne funkcje usługi. Licencja resellerska Prześlij opis projektu i schemat dostępu. Poproś o pisemne warunki używania i odsprzedaży. Dokumenty na stronie Oferta, umowa licencyjna i polityka przetwarzania danych są dostępne przed połączeniem. [Poproś o licencję resellerską](mailto:support@ailoot.ai) · [Oferta i umowa licencyjna](https://ailoot.ai/legal/offer?lang=pl) ## Ailoot · Firma i jej portfel projektów Ailoot opiera się na zgromadzonym doświadczeniu operacyjnym, szerokiej bazie klientów, stabilnej usłudze i stałej kontroli KPI. Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. Ailoot wykorzystuje to doświadczenie operacyjne, zapewniając dostęp przez API do funkcji AI w produktach klientów, agentach, aplikacjach i automatyzacjach.