Nemotron 3.5 ASR Streaming Multilingual 0.6B é o modelo de reconhecimento de fala da NVIDIA com 600 milhões de parâmetros para transcrição em direto e processamento de áudio gravado. Alarga a linha de streaming em inglês com condicionamento por identificador de idioma. A fala transforma-se em texto no idioma de entrada, com pontuação e utilização de maiúsculas e minúsculas incorporadas na saída.
A cobertura linguística do fabricante tem três níveis. Dezanove variantes prontas para transcrição abrangem inglês dos EUA e do Reino Unido, espanhol dos EUA e de Espanha, francês de França e do Canadá, italiano, português do Brasil e de Portugal, neerlandês, alemão, turco, russo, árabe, hindi, japonês, coreano, vietnamita e ucraniano. Treze variantes de ampla cobertura acrescentam polaco, sueco, checo, norueguês bokmål, dinamarquês, búlgaro, finlandês, croata, eslovaco, mandarim, húngaro, romeno e estónio. Em conjunto, estas 32 variantes produzem transcrição sem afinação adicional.
Oito variantes preparadas para adaptação — grego, lituano, letão, maltês, esloveno, hebraico, tailandês e norueguês nynorsk — são reconhecidas pelo tokenizador, mas exigem afinação com dados do domínio para permitir transcrição completa. Assim, o número de 40 variantes indicado pelo produtor não significa que todas as quarenta tenham a mesma capacidade de utilização imediata. Um checkpoint personalizado é um resultado distinto do modelo de base.
A arquitetura combina um codificador FastConformer de 24 camadas com gestão de cache e um descodificador RNN-T. Conserva os estados de atenção e de convolução do codificador de quadros anteriores e processa cada novo bloco de áudio sem recalcular repetidamente janelas sobrepostas. Um sinal de identificação de idioma é fornecido juntamente com a representação acústica para condicionar a transcrição ou permitir que o modelo infira o idioma.
A configuração NeMo da NVIDIA documenta blocos de 80, 160, 320, 560 e 1 120 milissegundos. A definição de atenção controla a quantidade de áudio futuro que um bloco recebe antes de emitir texto, permitindo equilibrar o tempo de espera e o contexto acústico de uma tarefa. Estas são configurações de streaming do produtor, e não tempos de resposta garantidos de ponta a ponta; uma implementação pode disponibilizar o seu próprio subconjunto suportado.
Prepare áudio WAV mono à frequência de amostragem de 16 kHz do processador do produtor. Quando o idioma for conhecido, utilize o condicionamento da variante correspondente; o modo automático deteta o idioma falado. O exemplo básico de pipeline utiliza por predefinição um pedido em inglês dos EUA, pelo que o comportamento multilingue deve ser configurado deliberadamente, em vez de ser presumido a partir desse exemplo.
No modo automático, o fluxo do produtor pode acrescentar uma etiqueta de idioma após a pontuação terminal da transcrição. Manter a etiqueta disponibiliza o idioma a uma aplicação que trate tráfego multilingue; removê-la devolve texto de transcrição limpo. Preserve a distinção entre as palavras reconhecidas, a sua pontuação e estes metadados de idioma ao apresentar ou processar o resultado.
Uma aplicação de legendagem pode fornecer áudio por ordem, recolher a transcrição e utilizar o texto concluído para apresentação ou processamento posterior. Uma aplicação de voz pode encaminhar a fala reconhecida para a sua etapa de compreensão da linguagem. A análise de chamadas pode conservar a gravação original juntamente com a transcrição, para que nomes, números e termos desconhecidos continuem a poder ser examinados. O modelo ASR fornece a transcrição; resumos, ações e geração de fala são etapas separadas da aplicação.
A NVIDIA treina o modelo com uma combinação de dados de fala públicos e proprietários, com rótulos humanos e sintéticos normalizados para texto com pontuação e utilização correta de maiúsculas e minúsculas. O seu guia de adaptação realça a correspondência entre os rótulos de idioma e o estilo do texto, seguida da avaliação de áudio reservado para teste com a definição de streaming prevista para utilização. Descreve adaptação de idioma, sotaque e domínio sem tornar esses resultados personalizados propriedades do checkpoint original.
A ficha do modelo associa a duração prática das gravações à memória disponível, em vez de publicar um limite universal de duração. Mantenha a edição multilingue distinta do modelo exclusivamente em inglês e conserve o idioma e a configuração de streaming selecionados junto do resultado da transcrição. O resultado produzido é o texto reconhecido, com metadados de idioma opcionais do produtor, em vez de uma resposta conversacional geral.
", "aboutText": "Nemotron 3.5 ASR Streaming Multilingual 0.6B é o modelo de reconhecimento de fala da NVIDIA com 600 milhões de parâmetros para transcrição em direto e processamento de áudio gravado. Alarga a linha de streaming em inglês com condicionamento por identificador de idioma. A fala transforma-se em texto no idioma de entrada, com pontuação e utilização de maiúsculas e minúsculas incorporadas na saída.\n\nA cobertura linguística do fabricante tem três níveis. Dezanove variantes prontas para transcrição abrangem inglês dos EUA e do Reino Unido, espanhol dos EUA e de Espanha, francês de França e do Canadá, italiano, português do Brasil e de Portugal, neerlandês, alemão, turco, russo, árabe, hindi, japonês, coreano, vietnamita e ucraniano. Treze variantes de ampla cobertura acrescentam polaco, sueco, checo, norueguês bokmål, dinamarquês, búlgaro, finlandês, croata, eslovaco, mandarim, húngaro, romeno e estónio. Em conjunto, estas 32 variantes produzem transcrição sem afinação adicional.\n\nOito variantes preparadas para adaptação — grego, lituano, letão, maltês, esloveno, hebraico, tailandês e norueguês nynorsk — são reconhecidas pelo tokenizador, mas exigem afinação com dados do domínio para permitir transcrição completa. Assim, o número de 40 variantes indicado pelo produtor não significa que todas as quarenta tenham a mesma capacidade de utilização imediata. Um checkpoint personalizado é um resultado distinto do modelo de base.\n\nA arquitetura combina um codificador FastConformer de 24 camadas com gestão de cache e um descodificador RNN-T. Conserva os estados de atenção e de convolução do codificador de quadros anteriores e processa cada novo bloco de áudio sem recalcular repetidamente janelas sobrepostas. Um sinal de identificação de idioma é fornecido juntamente com a representação acústica para condicionar a transcrição ou permitir que o modelo infira o idioma.\n\nA configuração NeMo da NVIDIA documenta blocos de 80, 160, 320, 560 e 1 120 milissegundos. A definição de atenção controla a quantidade de áudio futuro que um bloco recebe antes de emitir texto, permitindo equilibrar o tempo de espera e o contexto acústico de uma tarefa. Estas são configurações de streaming do produtor, e não tempos de resposta garantidos de ponta a ponta; uma implementação pode disponibilizar o seu próprio subconjunto suportado.\n\nPrepare áudio WAV mono à frequência de amostragem de 16 kHz do processador do produtor. Quando o idioma for conhecido, utilize o condicionamento da variante correspondente; o modo automático deteta o idioma falado. O exemplo básico de pipeline utiliza por predefinição um pedido em inglês dos EUA, pelo que o comportamento multilingue deve ser configurado deliberadamente, em vez de ser presumido a partir desse exemplo.\n\nNo modo automático, o fluxo do produtor pode acrescentar uma etiqueta de idioma após a pontuação terminal da transcrição. Manter a etiqueta disponibiliza o idioma a uma aplicação que trate tráfego multilingue; removê-la devolve texto de transcrição limpo. Preserve a distinção entre as palavras reconhecidas, a sua pontuação e estes metadados de idioma ao apresentar ou processar o resultado.\n\nUma aplicação de legendagem pode fornecer áudio por ordem, recolher a transcrição e utilizar o texto concluído para apresentação ou processamento posterior. Uma aplicação de voz pode encaminhar a fala reconhecida para a sua etapa de compreensão da linguagem. A análise de chamadas pode conservar a gravação original juntamente com a transcrição, para que nomes, números e termos desconhecidos continuem a poder ser examinados. O modelo ASR fornece a transcrição; resumos, ações e geração de fala são etapas separadas da aplicação.\n\nA NVIDIA treina o modelo com uma combinação de dados de fala públicos e proprietários, com rótulos humanos e sintéticos normalizados para texto com pontuação e utilização correta de maiúsculas e minúsculas. O seu guia de adaptação realça a correspondência entre os rótulos de idioma e o estilo do texto, seguida da avaliação de áudio reservado para teste com a definição de streaming prevista para utilização. Descreve adaptação de idioma, sotaque e domínio sem tornar esses resultados personalizados propriedades do checkpoint original.\n\nA ficha do modelo associa a duração prática das gravações à memória disponível, em vez de publicar um limite universal de duração. Mantenha a edição multilingue distinta do modelo exclusivamente em inglês e conserve o idioma e a configuração de streaming selecionados junto do resultado da transcrição. O resultado produzido é o texto reconhecido, com metadados de idioma opcionais do produtor, em vez de uma resposta conversacional geral.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ed6b0e3fdeb3b2b41c2a47895210768c9fc56ae3c35049ae8aff70fcd885161f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "nvidia/nemotron-3.5-asr-streaming-multilingual-0.6bNemotron 3.5 ASR Streaming Multilingual 0.6B da NVIDIA transcreve fala para texto com pontuação, utilizando um codificador de streaming com gestão de cache. Suporta condicionamento explícito por idioma ou deteção automática, com 32 variantes linguísticas prontas para transcrição e oito que exigem adaptação.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Nemotron 3.5 ASR Streaming Multilingual 0.6B é o modelo de reconhecimento de fala da NVIDIA com 600 milhões de parâmetros para transcrição em direto e processamento de áudio gravado. Alarga a linha de streaming em inglês com condicionamento por identificador de idioma. A fala transforma-se em texto no idioma de entrada, com pontuação e utilização de maiúsculas e minúsculas incorporadas na saída.
A cobertura linguística do fabricante tem três níveis. Dezanove variantes prontas para transcrição abrangem inglês dos EUA e do Reino Unido, espanhol dos EUA e de Espanha, francês de França e do Canadá, italiano, português do Brasil e de Portugal, neerlandês, alemão, turco, russo, árabe, hindi, japonês, coreano, vietnamita e ucraniano. Treze variantes de ampla cobertura acrescentam polaco, sueco, checo, norueguês bokmål, dinamarquês, búlgaro, finlandês, croata, eslovaco, mandarim, húngaro, romeno e estónio. Em conjunto, estas 32 variantes produzem transcrição sem afinação adicional.
Oito variantes preparadas para adaptação — grego, lituano, letão, maltês, esloveno, hebraico, tailandês e norueguês nynorsk — são reconhecidas pelo tokenizador, mas exigem afinação com dados do domínio para permitir transcrição completa. Assim, o número de 40 variantes indicado pelo produtor não significa que todas as quarenta tenham a mesma capacidade de utilização imediata. Um checkpoint personalizado é um resultado distinto do modelo de base.
A arquitetura combina um codificador FastConformer de 24 camadas com gestão de cache e um descodificador RNN-T. Conserva os estados de atenção e de convolução do codificador de quadros anteriores e processa cada novo bloco de áudio sem recalcular repetidamente janelas sobrepostas. Um sinal de identificação de idioma é fornecido juntamente com a representação acústica para condicionar a transcrição ou permitir que o modelo infira o idioma.
A configuração NeMo da NVIDIA documenta blocos de 80, 160, 320, 560 e 1 120 milissegundos. A definição de atenção controla a quantidade de áudio futuro que um bloco recebe antes de emitir texto, permitindo equilibrar o tempo de espera e o contexto acústico de uma tarefa. Estas são configurações de streaming do produtor, e não tempos de resposta garantidos de ponta a ponta; uma implementação pode disponibilizar o seu próprio subconjunto suportado.
Prepare áudio WAV mono à frequência de amostragem de 16 kHz do processador do produtor. Quando o idioma for conhecido, utilize o condicionamento da variante correspondente; o modo automático deteta o idioma falado. O exemplo básico de pipeline utiliza por predefinição um pedido em inglês dos EUA, pelo que o comportamento multilingue deve ser configurado deliberadamente, em vez de ser presumido a partir desse exemplo.
No modo automático, o fluxo do produtor pode acrescentar uma etiqueta de idioma após a pontuação terminal da transcrição. Manter a etiqueta disponibiliza o idioma a uma aplicação que trate tráfego multilingue; removê-la devolve texto de transcrição limpo. Preserve a distinção entre as palavras reconhecidas, a sua pontuação e estes metadados de idioma ao apresentar ou processar o resultado.
Uma aplicação de legendagem pode fornecer áudio por ordem, recolher a transcrição e utilizar o texto concluído para apresentação ou processamento posterior. Uma aplicação de voz pode encaminhar a fala reconhecida para a sua etapa de compreensão da linguagem. A análise de chamadas pode conservar a gravação original juntamente com a transcrição, para que nomes, números e termos desconhecidos continuem a poder ser examinados. O modelo ASR fornece a transcrição; resumos, ações e geração de fala são etapas separadas da aplicação.
A NVIDIA treina o modelo com uma combinação de dados de fala públicos e proprietários, com rótulos humanos e sintéticos normalizados para texto com pontuação e utilização correta de maiúsculas e minúsculas. O seu guia de adaptação realça a correspondência entre os rótulos de idioma e o estilo do texto, seguida da avaliação de áudio reservado para teste com a definição de streaming prevista para utilização. Descreve adaptação de idioma, sotaque e domínio sem tornar esses resultados personalizados propriedades do checkpoint original.
A ficha do modelo associa a duração prática das gravações à memória disponível, em vez de publicar um limite universal de duração. Mantenha a edição multilingue distinta do modelo exclusivamente em inglês e conserve o idioma e a configuração de streaming selecionados junto do resultado da transcrição. O resultado produzido é o texto reconhecido, com metadados de idioma opcionais do produtor, em vez de uma resposta conversacional geral.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b | Predefinição— |
Campoinput_audio | Tipoobject | RequisitoObrigatório | Valores e limites | Predefinição— |
Campolanguage | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Mínimo: 0 Máximo: 1 | Predefinição— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites json, verbose_json | Predefiniçãojson |
Campotimestamp_granularities | Tipoarray | RequisitoOpcional | Valores e limites | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input_audio |
Parâmetromaterial_types | Contratoaudio |
Parâmetromaterial_conditions | ContratoLeia um ficheiro WAV real e codifique os respetivos bytes reais para a entrada JSON input_audio declarada; não é anunciada qualquer rota multipart para esta declaração exata apenas de JSON. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As tarifas apresentadas permitem estimar o custo antes da geração. O montante final cobrado é calculado a partir do custo registado para a geração original. A duração medida do resultado e as quantidades previstas não correspondem à quantidade final faturável.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Quantidade prevista | Unidade de faturação | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Quantidade prevista— | Unidade de faturação— | Custo Entrada · Tokens de entrada · Estimativa apenas para comparação — / 1K tokens Saída · Tokens de saída · Estimativa apenas para comparação — / 1K tokens Entrada · Leitura da cache · Estimativa apenas para comparação — / 1K tokens Entrada · Escrita na cache · Estimativa apenas para comparação — / 1K tokens Entrada · Escrita na cache, 1 hora · Estimativa apenas para comparação — / 1K tokens |
| Configuraçãosegundo de áudio de entrada | Tabela de tarifas— | Quantidade prevista— | Unidade de faturaçãopor segundo de áudio de entrada | Custo Entrada · segundo de áudio de entrada · Estimativa apenas para comparação $0.00000666 por segundo de áudio de entrada |
| ConfiguraçãoCusto estimado de geração | Tabela de tarifas— | Quantidade previstaestimativa para uma geração | Unidade de faturação— | Custo Saída · Custo estimado de geração · Estimativa apenas para comparação $0.00000666 estimativa antes da geração Esta estimativa não é um encargo adicional nem uma tarifa fixa para a geração concluída. |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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.\nGuarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve a resposta completa e os cabeçalhos, todos os resultados efetivamente produzidos, os identificadores originais devolvidos e todos os campos de utilização. Recupere a operação original sem voltar a enviar o pedido de criação.
Guarde o X-Client-Request-ID devolvido para reconciliação. Consulte apenas os valores task_id/asset_id efetivamente devolvidos ou a sua biblioteca de multimédia; nunca construa um URL de tarefa a partir do ID da operação e nunca volte a enviar o pedido de criação.
| 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
Use os caminhos dos métodos indicados acima.