NVIDIA: Parakeet TDT 0.6B v3

Parakeet TDT 0.6B v3 spoločnosti NVIDIA je model na prevod reči na text so 600M parametrami pre 25 európskych jazykov, s automatickou detekciou jazyka. Vytvára prepisy s interpunkciou a podporuje časové značky slov a úsekov, s režimami spracovania dlhých zvukových nahrávok naviazanými na konfiguráciu pozornosti výrobcu.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions nvidia/parakeet-tdt-0.6b-v3

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Parakeet TDT 0.6B v3 je viacjazyčný model rozpoznávania reči spoločnosti NVIDIA so 600 miliónmi parametrov. Rozširuje model v2 určený výlučne pre angličtinu na 25 európskych jazykov a automaticky zisťuje jazyk zvuku bez samostatného jazykového promptu. Výsledkom je prepis reči s interpunkciou a veľkými písmenami.

Podporované jazyky sú bulharčina, chorvátčina, čeština, dánčina, holandčina, angličtina, estónčina, fínčina, francúzština, nemčina, gréčtina, maďarčina, taliančina, lotyština, litovčina, maltčina, poľština, portugalčina, rumunčina, slovenčina, slovinčina, španielčina, švédčina, ruština a ukrajinčina. Tento zoznam patrí edícii v3; iné typy dekodérov a jazykové varianty Parakeet sú samostatné modely.

Architektúra kombinuje enkóder FastConformer s transduktorovým dekodérom tokenov a trvania. Enkóder mení akustický signál na reprezentácie; dekodér predpovedá textové tokeny spolu s trvaniami potrebnými na postup cez zvukové rámce. Toto správanie TDT ho odlišuje od dekodérov CTC a bežných RNN-T z tejto rodiny.

Pripravte jednokanálový zvuk vzorkovaný pri 16 kHz. Priame vstupné formáty výrobcu sú WAV a FLAC a jeho implementačné príklady používajú procesor na prípravu zvukovej vlny na rozpoznávanie. Identifikátor nahrávky a pôvodný zvuk uchovajte vedľa vráteného textu, aby sa dal prepis skontrolovať alebo zosúladiť so zdrojom.

Časové značky pridávajú k rozpoznanej reči informácie o časovaní. Príklad NVIDIA NeMo vracia pri zapnutom generovaní časových značiek časovanie znakov, slov a úsekov. Titulková alebo archívna aplikácia môže použiť hranice úsekov na prepojenie pasáže s nahrávkou alebo časovanie slov na lokalizáciu konkrétnej frázy. Prepis a jeho časové polia sú odlišnými časťami výsledku a majú zostať priradené.

Pri dlhých nahrávkach záleží na konfigurácii pozornosti. Výrobca opisuje až 24 minút s plnou pozornosťou na A100 s 80 GB a až tri hodiny s lokálnou pozornosťou. Jeho príklad pre dlhé záznamy prepína enkóder na lokálnu pozornosť s ohraničeným ľavým a pravým kontextom. Tieto dĺžky opisujú konkrétne konfigurácie výrobcu, nie jeden bezpodmienečný limit pre každé nasadenie.

Výrobca zverejňuje aj postup inferencie po blokoch pre streamovacie použitie. Jeho príklad definuje dĺžku bloku a ľavý a pravý zvukový kontext okolo každého bloku. Ide o odlišný postup spracovania od natívneho streamovacieho modelu Nemotron využívajúceho vyrovnávaciu pamäť. Aplikácia má pri zostavovaní prepisu nahrávky z úsekov zachovať vybraný postup a pôvodnú časovú referenciu.

Tréningová zmes obsahuje 10 000 hodín reči prepísanej ľuďmi a 660 000 hodín dát Granary s pseudoanotáciami, so zachovanou interpunkciou a veľkými písmenami. Výrobca tiež podporuje doladenie tohto vydaného checkpointu na inom datasete reči prostredníctvom svojho zdokumentovaného postupu pre model; doladený checkpoint zostáva odlišný od základného modelu v3. Textový výstup modelu je preto vhodný ako fáza prevodu reči na text v širšom pracovnom postupe. Archív stretnutí môže pripojiť prepis k nahrávke; vyhľadávacia aplikácia môže indexovať rozpoznanú pasáž; titulkovací nástroj môže použiť vrátené metadáta časovania.

Kvalita rozpoznávania sa mení podľa jazyka, prízvuku, hluku a typu reči. Výrobca konkrétne upozorňuje, že slovná zásoba nezastúpená pri tréningu môže byť vynechaná a že izolované slová alebo neúplné vety poskytujú slabší kontext. Pôvodný zvuk zachovajte na kontrolu mien a odborných termínov namiesto premeny neistého rozpoznania na overený fakt.

Užitočným artefaktom je prepis s požadovanými informáciami o časovaní. Súhrny, preklady, analýza hovoriacich a operácie sú samostatné úlohy aplikácie, nie funkcie vyplývajúce z názvu prevodu reči na text. Identitu v3 a režim pozornosti výrobcu odlišujte od iných checkpointov a od konvertovaných alebo kvantizovaných artefaktov.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions nvidia/parakeet-tdt-0.6b-v3

nvidia/parakeet-tdt-0.6b-v3

NVIDIA /nvidia/parakeet-tdt-0.6b-v3

Úvod

Povolené vstupy: Audio
Výsledky: Text

Dostupné v Ailoot · vstupy a metódy

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity nvidia/parakeet-tdt-0.6b-v3	Predvolené—
Pole`input_audio`	Typ`object`	PožiadavkaPovinné	Hodnoty a limity	Predvolené—
Pole`language`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—
Pole`temperature`	Typ`number`	PožiadavkaVoliteľné	Hodnoty a limity Minimum: 0 Maximum: 1	Predvolené—
Pole`response_format`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity json, verbose_json	Predvolenéjson
Pole`timestamp_granularities`	Typ`array`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—
Pole`provider`	Typ`object`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciaapplication/json
Parameter`required`	Špecifikáciamodel, input_audio
Parameter`material_types`	Špecifikáciaaudio
Parameter`material_conditions`	ŠpecifikáciaNačítajte skutočný súbor WAV a zakódujte jeho reálne bajty pre deklarovaný vstup JSON input_audio; pre túto presnú deklaráciu iba s JSON sa neuvádza žiadna trasa multipart.

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutočne vrátené task_id alebo záznam v knižnici médií

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Cenník

Ako sa vypočíta konečný poplatok

Zobrazené sadzby slúžia na odhad nákladov pred generovaním. Konečný poplatok sa vypočíta z nákladov zaznamenaných pri pôvodnom generovaní. Namerané trvanie výstupu a predpokladané množstvá nepredstavujú konečné účtované množstvo.

Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.

Rýchly režim: Neuvedené Keď je zvolený rýchly režim
Režim Flex: Neuvedené Keď je zvolený režim flex
Maximálna úroveň uvažovania: Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)

Odhadované sadzby na porovnanie

Ceny podľa konfigurácie

Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.

Konfigurácia	Sadzobník	Odhadované množstvo	Účtovacia jednotka	Poplatok
KonfiguráciaZákladné sadzby za tokeny	SadzobníkZákladná sadzba	Odhadované množstvo—	Účtovacia jednotka—	Poplatok Vstup · Vstupné tokeny · Odhad iba na porovnanie — / 1K tokenov Výstup · Výstupné tokeny · Odhad iba na porovnanie — / 1K tokenov Vstup · Čítanie cache · Odhad iba na porovnanie — / 1K tokenov Vstup · Zápis do cache · Odhad iba na porovnanie — / 1K tokenov Vstup · Zápis do cache, 1 hod · Odhad iba na porovnanie — / 1K tokenov
Konfiguráciasekunda vstupného zvuku	Sadzobník—	Odhadované množstvo—	Účtovacia jednotkaza sekundu vstupného audia	Poplatok Vstup · sekunda vstupného zvuku · Odhad iba na porovnanie $0.00005 za sekundu vstupného audia
KonfiguráciaOdhadované náklady na generovanie	Sadzobník—	Odhadované množstvoodhad pre jedno generovanie	Účtovacia jednotka—	Poplatok Výstup · Odhadované náklady na generovanie · Odhad iba na porovnanie $0.00005 odhad pred generovaním Tento odhad nepredstavuje dodatočný poplatok ani pevnú sadzbu za dokončené generovanie.

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot Ultra · Prepis zvuku

curl · presné telo požiadavky v natívnom formáte a úplný výsledok

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.

Prijať a uložiť výsledky

Ailoot Ultra · Prepis zvuku

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

Čítanie ďalšieho obsahu

Čítať existujúce podklady, ktoré vám patria

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.

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Uchovajte úplnú odpoveď a hlavičky, všetky skutočné výstupy, pôvodné vrátené identifikátory a všetky polia s údajmi o spotrebe. Obnovte pôvodnú operáciu bez opätovného odoslania požiadavky na vytvorenie.

Ak treba overiť pôvodnú odpoveď

Uchovajte vrátené X-Client-Request-ID na zosúladenie záznamov. Čítajte iba skutočne vrátené hodnoty task_id/asset_id alebo vlastnú knižnicu médií; nikdy nevytvárajte URL úlohy z ID operácie a nikdy znova neodosielajte požiadavku na vytvorenie.

Polia odpovede

Pole	Typ
Pole`text`	Typ
Pole`usage`	Typ
Pole`segments[]`	Typ
Pole`words[]`	Typ
Pole`speaker fields`	Typ
Pole`timestamps`	Typ

Aliasy

Aliasy modelov

Ailoot Ultra nvidia/parakeet-tdt-0.6b-v3

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

nvidia/parakeet-tdt-0.6b-v3

FAQ · NVIDIA: Parakeet TDT 0.6B v3

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/transcriptions · nvidia/parakeet-tdt-0.6b-v3: audio → text
Aké polia používa požiadavka?: POST /v1/audio/transcriptions · nvidia/parakeet-tdt-0.6b-v3: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Aké limity platia?: POST /v1/audio/transcriptions · nvidia/parakeet-tdt-0.6b-v3: temperature.minimum: 0; temperature.maximum: 1

NVIDIA: Parakeet TDT 0.6B v3