Parakeet TDT 0.6B v3 é o modelo multilingue de reconhecimento de fala da NVIDIA com 600 milhões de parâmetros. Alarga o modelo v2, exclusivamente em inglês, a 25 idiomas europeus e deteta automaticamente o idioma do áudio sem um pedido de idioma separado. O resultado é uma transcrição da fala, com pontuação e utilização de maiúsculas e minúsculas.
Os idiomas suportados são búlgaro, croata, checo, dinamarquês, neerlandês, inglês, estónio, finlandês, francês, alemão, grego, húngaro, italiano, letão, lituano, maltês, polaco, português, romeno, eslovaco, esloveno, espanhol, sueco, russo e ucraniano. Esta lista pertence à edição v3; outros tipos de descodificador e variantes linguísticas do Parakeet são modelos distintos.
A arquitetura combina um codificador FastConformer com um descodificador transdutor de tokens e durações. O codificador transforma o sinal acústico em representações; o descodificador prevê tokens de texto juntamente com as durações necessárias para avançar pelos quadros de áudio. Este comportamento TDT distingue-o dos descodificadores CTC e RNN-T comuns da família.
Prepare áudio de um único canal com uma frequência de amostragem de 16 kHz. Os formatos de entrada diretos do fabricante são WAV e FLAC, e os exemplos de implementação utilizam um processador para preparar a forma de onda para o reconhecimento. Mantenha o identificador da gravação e o áudio original junto do texto devolvido, para permitir a conferência ou o alinhamento da transcrição com a fonte.
A geração de marcas temporais acrescenta informação de tempo à fala reconhecida. O exemplo NeMo da NVIDIA devolve tempos de caracteres, palavras e segmentos quando a geração de marcas temporais está ativada. Uma aplicação de legendagem ou arquivo pode utilizar os limites dos segmentos para ligar uma passagem à gravação, ou os tempos das palavras para localizar uma expressão específica. A transcrição e os respetivos campos temporais são partes distintas do resultado e devem permanecer associados.
Nas gravações longas, a configuração de atenção é relevante. O fabricante descreve até 24 minutos com atenção completa numa A100 de 80 GB, e até três horas com atenção local. O seu exemplo para áudio longo muda o codificador para atenção local com contexto limitado à esquerda e à direita. Estas durações descrevem configurações específicas do produtor, em vez de um limite incondicional para todas as implementações.
O fabricante também publica um fluxo de inferência por blocos para utilização em streaming. O exemplo define a duração dos blocos e o contexto de áudio à esquerda e à direita de cada bloco. Esta é uma receita de processamento distinta da do modelo Nemotron nativo de streaming com gestão de cache. Uma aplicação deve conservar a receita escolhida e a referência temporal original ao recolher, por secções, a transcrição de uma gravação.
A combinação de dados de treino inclui 10 000 horas de fala transcrita por pessoas e 660 000 horas de dados Granary com rótulos gerados automaticamente, preservando a pontuação e a utilização de maiúsculas e minúsculas. O produtor também suporta a afinação deste checkpoint publicado com outro conjunto de dados de fala, através do fluxo documentado para o modelo; o checkpoint afinado permanece distinto do modelo v3 de base. A saída de texto do modelo é, assim, adequada à etapa de conversão de voz em texto de um fluxo de trabalho mais amplo. Um arquivo de reuniões pode associar a transcrição à gravação; uma aplicação de pesquisa pode indexar a passagem reconhecida; uma ferramenta de legendagem pode utilizar os metadados temporais devolvidos.
A qualidade do reconhecimento varia consoante o idioma, o sotaque, o ruído e o tipo de fala. O produtor assinala especificamente que vocabulário não representado durante o treino pode não ser reconhecido e que palavras isoladas ou frases incompletas oferecem um contexto mais fraco. Conserve o áudio original para rever nomes e termos especializados, em vez de transformar um reconhecimento incerto num facto verificado.
O resultado útil é a transcrição com a informação temporal pedida. Resumos, traduções, análise de locutores e ações são tarefas separadas da aplicação, e não funcionalidades implícitas num nome de conversão de voz em texto. Mantenha a identidade v3 e o modo de atenção do produtor distintos de outros checkpoints e de ficheiros de modelo convertidos ou quantizados.
", "aboutText": "Parakeet TDT 0.6B v3 é o modelo multilingue de reconhecimento de fala da NVIDIA com 600 milhões de parâmetros. Alarga o modelo v2, exclusivamente em inglês, a 25 idiomas europeus e deteta automaticamente o idioma do áudio sem um pedido de idioma separado. O resultado é uma transcrição da fala, com pontuação e utilização de maiúsculas e minúsculas.\n\nOs idiomas suportados são búlgaro, croata, checo, dinamarquês, neerlandês, inglês, estónio, finlandês, francês, alemão, grego, húngaro, italiano, letão, lituano, maltês, polaco, português, romeno, eslovaco, esloveno, espanhol, sueco, russo e ucraniano. Esta lista pertence à edição v3; outros tipos de descodificador e variantes linguísticas do Parakeet são modelos distintos.\n\nA arquitetura combina um codificador FastConformer com um descodificador transdutor de tokens e durações. O codificador transforma o sinal acústico em representações; o descodificador prevê tokens de texto juntamente com as durações necessárias para avançar pelos quadros de áudio. Este comportamento TDT distingue-o dos descodificadores CTC e RNN-T comuns da família.\n\nPrepare áudio de um único canal com uma frequência de amostragem de 16 kHz. Os formatos de entrada diretos do fabricante são WAV e FLAC, e os exemplos de implementação utilizam um processador para preparar a forma de onda para o reconhecimento. Mantenha o identificador da gravação e o áudio original junto do texto devolvido, para permitir a conferência ou o alinhamento da transcrição com a fonte.\n\nA geração de marcas temporais acrescenta informação de tempo à fala reconhecida. O exemplo NeMo da NVIDIA devolve tempos de caracteres, palavras e segmentos quando a geração de marcas temporais está ativada. Uma aplicação de legendagem ou arquivo pode utilizar os limites dos segmentos para ligar uma passagem à gravação, ou os tempos das palavras para localizar uma expressão específica. A transcrição e os respetivos campos temporais são partes distintas do resultado e devem permanecer associados.\n\nNas gravações longas, a configuração de atenção é relevante. O fabricante descreve até 24 minutos com atenção completa numa A100 de 80 GB, e até três horas com atenção local. O seu exemplo para áudio longo muda o codificador para atenção local com contexto limitado à esquerda e à direita. Estas durações descrevem configurações específicas do produtor, em vez de um limite incondicional para todas as implementações.\n\nO fabricante também publica um fluxo de inferência por blocos para utilização em streaming. O exemplo define a duração dos blocos e o contexto de áudio à esquerda e à direita de cada bloco. Esta é uma receita de processamento distinta da do modelo Nemotron nativo de streaming com gestão de cache. Uma aplicação deve conservar a receita escolhida e a referência temporal original ao recolher, por secções, a transcrição de uma gravação.\n\nA combinação de dados de treino inclui 10 000 horas de fala transcrita por pessoas e 660 000 horas de dados Granary com rótulos gerados automaticamente, preservando a pontuação e a utilização de maiúsculas e minúsculas. O produtor também suporta a afinação deste checkpoint publicado com outro conjunto de dados de fala, através do fluxo documentado para o modelo; o checkpoint afinado permanece distinto do modelo v3 de base. A saída de texto do modelo é, assim, adequada à etapa de conversão de voz em texto de um fluxo de trabalho mais amplo. Um arquivo de reuniões pode associar a transcrição à gravação; uma aplicação de pesquisa pode indexar a passagem reconhecida; uma ferramenta de legendagem pode utilizar os metadados temporais devolvidos.\n\nA qualidade do reconhecimento varia consoante o idioma, o sotaque, o ruído e o tipo de fala. O produtor assinala especificamente que vocabulário não representado durante o treino pode não ser reconhecido e que palavras isoladas ou frases incompletas oferecem um contexto mais fraco. Conserve o áudio original para rever nomes e termos especializados, em vez de transformar um reconhecimento incerto num facto verificado.\n\nO resultado útil é a transcrição com a informação temporal pedida. Resumos, traduções, análise de locutores e ações são tarefas separadas da aplicação, e não funcionalidades implícitas num nome de conversão de voz em texto. Mantenha a identidade v3 e o modo de atenção do produtor distintos de outros checkpoints e de ficheiros de modelo convertidos ou quantizados.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "214c005fa8b266749866288c4bfb8c111be088019d3270bf9455a1cf69db4b5b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "nvidia/parakeet-tdt-0.6b-v3Parakeet TDT 0.6B v3 da NVIDIA é um modelo de conversão de voz em texto com 600 milhões de parâmetros para 25 idiomas europeus, com deteção automática do idioma. Produz transcrições com pontuação e suporta marcas temporais de palavras e segmentos, com modos de áudio longo associados à configuração de atenção do produtor.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Parakeet TDT 0.6B v3 é o modelo multilingue de reconhecimento de fala da NVIDIA com 600 milhões de parâmetros. Alarga o modelo v2, exclusivamente em inglês, a 25 idiomas europeus e deteta automaticamente o idioma do áudio sem um pedido de idioma separado. O resultado é uma transcrição da fala, com pontuação e utilização de maiúsculas e minúsculas.
Os idiomas suportados são búlgaro, croata, checo, dinamarquês, neerlandês, inglês, estónio, finlandês, francês, alemão, grego, húngaro, italiano, letão, lituano, maltês, polaco, português, romeno, eslovaco, esloveno, espanhol, sueco, russo e ucraniano. Esta lista pertence à edição v3; outros tipos de descodificador e variantes linguísticas do Parakeet são modelos distintos.
A arquitetura combina um codificador FastConformer com um descodificador transdutor de tokens e durações. O codificador transforma o sinal acústico em representações; o descodificador prevê tokens de texto juntamente com as durações necessárias para avançar pelos quadros de áudio. Este comportamento TDT distingue-o dos descodificadores CTC e RNN-T comuns da família.
Prepare áudio de um único canal com uma frequência de amostragem de 16 kHz. Os formatos de entrada diretos do fabricante são WAV e FLAC, e os exemplos de implementação utilizam um processador para preparar a forma de onda para o reconhecimento. Mantenha o identificador da gravação e o áudio original junto do texto devolvido, para permitir a conferência ou o alinhamento da transcrição com a fonte.
A geração de marcas temporais acrescenta informação de tempo à fala reconhecida. O exemplo NeMo da NVIDIA devolve tempos de caracteres, palavras e segmentos quando a geração de marcas temporais está ativada. Uma aplicação de legendagem ou arquivo pode utilizar os limites dos segmentos para ligar uma passagem à gravação, ou os tempos das palavras para localizar uma expressão específica. A transcrição e os respetivos campos temporais são partes distintas do resultado e devem permanecer associados.
Nas gravações longas, a configuração de atenção é relevante. O fabricante descreve até 24 minutos com atenção completa numa A100 de 80 GB, e até três horas com atenção local. O seu exemplo para áudio longo muda o codificador para atenção local com contexto limitado à esquerda e à direita. Estas durações descrevem configurações específicas do produtor, em vez de um limite incondicional para todas as implementações.
O fabricante também publica um fluxo de inferência por blocos para utilização em streaming. O exemplo define a duração dos blocos e o contexto de áudio à esquerda e à direita de cada bloco. Esta é uma receita de processamento distinta da do modelo Nemotron nativo de streaming com gestão de cache. Uma aplicação deve conservar a receita escolhida e a referência temporal original ao recolher, por secções, a transcrição de uma gravação.
A combinação de dados de treino inclui 10 000 horas de fala transcrita por pessoas e 660 000 horas de dados Granary com rótulos gerados automaticamente, preservando a pontuação e a utilização de maiúsculas e minúsculas. O produtor também suporta a afinação deste checkpoint publicado com outro conjunto de dados de fala, através do fluxo documentado para o modelo; o checkpoint afinado permanece distinto do modelo v3 de base. A saída de texto do modelo é, assim, adequada à etapa de conversão de voz em texto de um fluxo de trabalho mais amplo. Um arquivo de reuniões pode associar a transcrição à gravação; uma aplicação de pesquisa pode indexar a passagem reconhecida; uma ferramenta de legendagem pode utilizar os metadados temporais devolvidos.
A qualidade do reconhecimento varia consoante o idioma, o sotaque, o ruído e o tipo de fala. O produtor assinala especificamente que vocabulário não representado durante o treino pode não ser reconhecido e que palavras isoladas ou frases incompletas oferecem um contexto mais fraco. Conserve o áudio original para rever nomes e termos especializados, em vez de transformar um reconhecimento incerto num facto verificado.
O resultado útil é a transcrição com a informação temporal pedida. Resumos, traduções, análise de locutores e ações são tarefas separadas da aplicação, e não funcionalidades implícitas num nome de conversão de voz em texto. Mantenha a identidade v3 e o modo de atenção do produtor distintos de outros checkpoints e de ficheiros de modelo convertidos ou quantizados.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites nvidia/parakeet-tdt-0.6b-v3 | 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 $0.00005 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 $0.00005 estimativa antes da geração Esta estimativa não é um encargo adicional nem uma tarifa fixa para a geração concluída. |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'nvidia/parakeet-tdt-0.6b-v3', 'input_audio': {'data': '${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.\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/parakeet-tdt-0.6b-v3
Use os caminhos dos métodos indicados acima.