NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

NVIDIIN Nemotron 3.5 ASR Streaming Multilingual 0.6B prepisuje govor v besedilo z ločili s pretočnim kodirnikom, ki uporablja predpomnjena stanja. Podpira izrecno pogojevanje z jezikom ali samodejno zaznavanje; 32 jezikovnih različic je pripravljenih za prepisovanje, osem pa zahteva prilagajanje.

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

O modelu

Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.

Nemotron 3.5 ASR Streaming Multilingual 0.6B je NVIDIIN model za prepoznavanje govora s 600 milijoni parametrov, namenjen prepisovanju v živo in obdelavi posnetega zvoka. Angleško pretočno linijo razširi s pogojevanjem z identifikatorjem jezika. Govor postane besedilo v vhodnem jeziku, z ločili in velikimi začetnicami, vgrajenimi v izhod.

Proizvajalčeva jezikovna pokritost ima tri stopnje. Devetnajst različic, pripravljenih za prepisovanje, zajema angleščino ZDA in Združenega kraljestva, španščino ZDA in Španije, francoščino Francije in Kanade, italijanščino, portugalščino Brazilije in Portugalske, nizozemščino, nemščino, turščino, ruščino, arabščino, hindijščino, japonščino, korejščino, vietnamščino in ukrajinščino. Trinajst različic s široko pokritostjo doda poljščino, švedščino, češčino, norveški bokmål, danščino, bolgarščino, finščino, hrvaščino, slovaščino, mandarinščino, madžarščino, romunščino in estonščino. Teh 32 jezikovnih različic skupaj ustvarja prepise brez dodatnega učenja.

Osem različic, pripravljenih za prilagajanje — grščino, litovščino, latvijščino, malteščino, slovenščino, hebrejščino, tajščino in norveški nynorsk — tokenizator prepoznava, vendar potrebujejo domensko dodatno učenje za omogočanje popolnega prepisovanja. Proizvajalčevo število 40 jezikovnih različic zato ne pomeni, da vseh štirideset zagotavlja enake zmožnosti takoj po namestitvi. Prilagojena kontrolna točka je izdelek, ločen od osnovnega modela.

Arhitektura združuje 24-plastni kodirnik FastConformer, ki uporablja predpomnjena stanja, z dekodirnikom RNN-T. Ohrani stanja pozornosti in konvolucij kodirnika iz predhodnih okvirjev ter vsak nov zvočni kos obdela brez ponovnega izračunavanja prekrivajočih se oken. Poleg akustične predstavitve prejme signal identifikatorja jezika, ki pogojuje prepis ali modelu omogoči sklepanje o jeziku.

Konfiguracija NVIDIA NeMo dokumentira velikosti kosov 80, 160, 320, 560 in 1120 milisekund. Nastavitev pozornosti določa, koliko prihodnjega zvoka kos prejme pred oddajo besedila, kar nalogi omogoča uravnoteženje čakanja in akustičnega konteksta. To so proizvajalčeve pretočne konfiguracije, ne zagotovljeni odzivni časi celotne poti; implementacija lahko izpostavi svoj podprti podnabor.

Pripravite enokanalni zvok WAV z vzorčno frekvenco proizvajalčevega procesorja 16 kHz. Kadar je jezik znan, uporabite ustrezno pogojevanje z jezikovno različico; samodejni način zazna govorjeni jezik. Osnovni primer cevovoda privzeto uporablja poziv za ameriško angleščino, zato večjezično vedenje nastavite namerno, namesto da bi ga iz tega primera predpostavljali.

V samodejnem načinu lahko proizvajalčev potek dela za končnim ločilom prepisa doda jezikovno oznako. Če oznako ohranite, je jezik na voljo aplikaciji, ki obdeluje večjezični promet; če jo odstranite, dobite čisto besedilo prepisa. Pri prikazu ali obdelavi rezultata ohranite razliko med prepoznanimi besedami, njihovimi ločili in temi jezikovnimi metapodatki.

Aplikacija za podnapise lahko zvok dovaja po vrsti, zbira prepis in dokončano besedilo uporablja za prikaz ali nadaljnjo obdelavo. Glasovna aplikacija lahko prepoznani govor preda svoji stopnji razumevanja jezika. Pri analizi klicev lahko izvorni posnetek in prepis ohranite skupaj, da je mogoče pregledati imena, številke in neznane izraze. Model ASR zagotavlja prepis; povzemanje, dejanja in ustvarjanje govora so ločene stopnje aplikacije.

NVIDIA model uči na mešanici javnih in lastniških govornih podatkov s človeškimi in sintetičnimi oznakami, normaliziranimi v besedilo z ločili in pravilno rabo velikih začetnic. Vodnik za prilagajanje poudarja usklajevanje jezikovnih oznak in besedilnega sloga ter nato ocenjevanje zvočnih posnetkov, ki niso bili uporabljeni za učenje, pri pretočni nastavitvi, predvideni za uporabo. Opisuje prilagajanje jeziku, naglasu in domeni, ne da bi ti prilagojeni rezultati postali lastnosti prvotne kontrolne točke.

Kartica modela praktično dolžino posnetka povezuje z razpoložljivim pomnilnikom, namesto da bi objavila eno splošno zgornjo mejo trajanja. Večjezično različico ohranite ločeno od modela samo za angleščino ter ob rezultatu prepisovanja ohranite izbrani jezik in pretočno konfiguracijo. Izhodni izdelek je prepoznano besedilo z neobveznimi proizvajalčevimi jezikovnimi metapodatki, ne splošen pogovorni odgovor.

Ailoot Ultra · Prepisovanje 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

Začetek

Dovoljeni vhodi: Zvok
Rezultati: Besedilo

Na voljo v Ailoot · vhodi in metode

Ailoot Ultra · Prepisovanje POST /v1/audio/transcriptions

Vhod: audio
Izhod: text

Polje	Vrsta	Zahteva	Vrednosti in omejitve	Privzeto
Polje`model`	Vrsta`string`	ZahtevaObvezno	Vrednosti in omejitve nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b	Privzeto—
Polje`input_audio`	Vrsta`object`	ZahtevaObvezno	Vrednosti in omejitve	Privzeto—
Polje`language`	Vrsta`string`	ZahtevaIzbirno	Vrednosti in omejitve	Privzeto—
Polje`temperature`	Vrsta`number`	ZahtevaIzbirno	Vrednosti in omejitve Najmanj: 0 Največ: 1	Privzeto—
Polje`response_format`	Vrsta`string`	ZahtevaIzbirno	Vrednosti in omejitve json, verbose_json	Privzetojson
Polje`timestamp_granularities`	Vrsta`array`	ZahtevaIzbirno	Vrednosti in omejitve	Privzeto—
Polje`provider`	Vrsta`object`	ZahtevaIzbirno	Vrednosti in omejitve	Privzeto—

Parametri in življenjski cikel metode

Parameter	Specifikacija
Parameter`content_type`	Specifikacijaapplication/json
Parameter`required`	Specifikacijamodel, input_audio
Parameter`material_types`	Specifikacijaaudio
Parameter`material_conditions`	SpecifikacijaPreberite dejansko datoteko WAV in kodirajte njene resnične bajte za deklarirani JSON input_audio; za to natančno deklaracijo samo z JSON ni navedena pot multipart.

Življenjski cikel: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Dejansko vrnjeni task_id ali zapis v medijski knjižnici

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Cenik

Kako se izračuna končni strošek

Prikazane cene so namenjene oceni stroškov pred generiranjem. Končni znesek se izračuna na podlagi stroška, zabeleženega za izvirno generiranje. Izmerjeno trajanje izhoda in napovedane količine niso končna obračunska količina.

Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.

Hitri način: Ni navedeno Ko je izbran hitri način
Način flex: Ni navedeno Ko je izbran način flex
Najvišja raven razmišljanja: Ni navedeno Ko najvišja raven razmišljanja uporablja privzeto prilagoditev (default)

Ocenjene cene za primerjavo

Cene po nastavitvah

Vsak strošek povežite s prikazanimi pogoji. Za vsak nabor alternativnih nastavitev uporabite eno ceno.

Nastavitev	Cenovna lestvica	Predvidena količina	Obračunska enota	Strošek
NastavitevOsnovne cene žetonov	Cenovna lestvicaOsnovna cena	Predvidena količina—	Obračunska enota—	Strošek Vhod · Vhodni žetoni · Ocena samo za primerjavo — / 1K žetonov Izhod · Izhodni žetoni · Ocena samo za primerjavo — / 1K žetonov Vhod · Branje predpomnilnika · Ocena samo za primerjavo — / 1K žetonov Vhod · Zapis v predpomnilnik · Ocena samo za primerjavo — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura · Ocena samo za primerjavo — / 1K žetonov
Nastavitevsekunda vhodnega zvoka	Cenovna lestvica—	Predvidena količina—	Obračunska enotana sekundo vhodnega zvoka	Strošek Vhod · sekunda vhodnega zvoka · Ocena samo za primerjavo $0.00000666 na sekundo vhodnega zvoka
NastavitevOcenjeni strošek ustvarjanja	Cenovna lestvica—	Predvidena količinaocena za eno generiranje	Obračunska enota—	Strošek Izhod · Ocenjeni stroški ustvarjanja · Ocena samo za primerjavo $0.00000666 ocena pred ustvarjanjem Ta ocena ni dodatno plačilo ali fiksna cena za dokončano generiranje.

Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →

Primeri zahtev

Ailoot Ultra · Prepisovanje

curl · natančno izvorno telo zahteve in celoten rezultat

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.

Prejmi in shrani rezultate

Ailoot Ultra · Prepisovanje

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

Branje druge vsebine

Preberi obstoječa gradiva, ki vam pripadajo

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.

Ohrani vse dokončane rezultate

Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.

Shranite celoten odgovor in glave, vse dejanske izhode, izvirne vrnjene identifikatorje in vsa polja s podatki o porabi. Pridobite podatke izvirne operacije brez ponovnega pošiljanja zahteve za ustvarjanje.

Če je treba preveriti izvirni odgovor

Shranite vrnjeni X-Client-Request-ID za uskladitev evidenc. Berite samo dejansko vrnjene vrednosti task_id/asset_id ali svojo medijsko knjižnico; iz ID operacije nikoli ne sestavite URL opravila in zahteve za ustvarjanje nikoli ne pošljite znova.

Polja odgovora

Polje	Vrsta
Polje`text`	Vrsta
Polje`usage`	Vrsta
Polje`segments[]`	Vrsta
Polje`words[]`	Vrsta
Polje`speaker fields`	Vrsta
Polje`timestamps`	Vrsta

Druga imena

Druga imena modelov

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

Druga imena poti metod

Uporabite zgoraj navedene poti metod.

Povezani ID-ji za klic

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

FAQ · NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

Kateri vhodi in rezultati so na voljo?: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: audio → text
Katera polja uporablja zahteva?: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Katere omejitve veljajo?: 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