NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

NVIDIA’ning Nemotron 3.5 ASR Streaming Multilingual 0.6B modeli keshni hisobga oluvchi oqimli enkoder yordamida nutqni tinish belgilari qo‘yilgan matnga aylantiradi. U tilni aniq ko‘rsatish yoki avtomatik aniqlashni qo‘llab-quvvatlaydi; 32 ta lokal variant transkripsiyaga tayyor, sakkiztasi esa moslashtirishni talab qiladi.

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

Model haqida

Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.

Nemotron 3.5 ASR Streaming Multilingual 0.6B — NVIDIA’ning jonli transkripsiya va yozib olingan audio vazifalari uchun mo‘ljallangan 600 million parametrli nutqni tanish modeli. U til identifikatoriga asoslangan yo‘naltirish orqali ingliz tilidagi oqimli modellar yo‘nalishini kengaytiradi. Nutq kirish tilidagi matnga aylanadi; tinish belgilari va bosh harflar chiqishning o‘zida shakllanadi.

Ishlab chiqaruvchining til qamrovi uch darajadan iborat. Transkripsiyaga tayyor o‘n to‘qqizta lokal variant AQSh va Buyuk Britaniya inglizchasi, AQSh va Ispaniya ispanchasi, Fransiya va Kanada fransuzchasi, italyan tili, Braziliya va Portugaliya portugalchasi, niderland, nemis, turk, rus, arab, hind, yapon, koreys, vetnam va ukrain tillarini qamrab oladi. Keng qamrovli o‘n uchta lokal variant polyak, shved, chex, norveg bokmol, daniya, bolgar, fin, xorvat, slovak, mandarin, venger, rumin va eston tillarini qo‘shadi. Ushbu 32 ta lokal variant birgalikda qo‘shimcha o‘qitishsiz transkripsiya yaratadi.

Moslashtirishga tayyor sakkizta lokal variant — yunon, litva, latish, malta, sloven, ivrit, tay va norveg nyunorsk — tokenizer tomonidan taniladi, lekin to‘liq transkripsiyani yoqish uchun tegishli soha ma’lumotlarida qo‘shimcha o‘qitishni talab qiladi. Demak, ishlab chiqaruvchining 40 ta lokal variant haqidagi soni qirqalasining ham tayyor holatdagi imkoniyati bir xil degani emas. Moslashtirilgan nazorat nuqtasi asosiy modeldan alohida materialdir.

Arxitektura 24 qatlamli, keshni hisobga oluvchi FastConformer enkoderini RNN-T dekoderi bilan birlashtiradi. U oldingi kadrlardagi enkoder attention va konvolyutsiya holatlarini saqlaydi va har bir yangi audio bo‘lagini ustma-ust oynalarni qayta-qayta hisoblamasdan qayta ishlaydi. Transkriptni kerakli tilga yo‘naltirish yoki modelga tilni o‘zi aniqlashga imkon berish uchun akustik ifoda bilan birga til identifikatori signali beriladi.

NVIDIA’ning NeMo sozlamalarida 80, 160, 320, 560 va 1120 millisekundlik bo‘lak o‘lchamlari hujjatlashtirilgan. Attention sozlamasi matn chiqarilishidan oldin bo‘lak qancha kelgusi audio olishini boshqaradi; bu vazifada kutish vaqti bilan akustik kontekst o‘rtasida muvozanat tanlashga imkon beradi. Bular butun jarayon bo‘yicha kafolatlangan javob vaqtlari emas, ishlab chiqaruvchining oqimli sozlamalaridir; amalga oshirilgan yechim ulardan o‘ziga mos kichikroq to‘plamni taqdim etishi mumkin.

Ishlab chiqaruvchi protsessorining 16 kHz diskretlash chastotasida mono WAV audio tayyorlang. Til ma’lum bo‘lsa, tegishli lokal variantni belgilab yo‘naltiring; avtomatik rejim gapirilayotgan tilni aniqlaydi. Asosiy jarayon misoli standart holatda AQSh inglizchasi ko‘rsatmasidan foydalanadi; shu sababli ko‘p tilli ishlashni o‘sha misoldan kelib chiqib taxmin qilish o‘rniga ataylab sozlash kerak.

Avtomatik rejimda ishlab chiqaruvchining ish jarayoni transkriptning oxirgi tinish belgisidan keyin til tegini qo‘shishi mumkin. Tegni saqlash turli tillardagi oqimni boshqaradigan ilovaga tilni bilish imkonini beradi; uni olib tashlash esa toza transkript matnini qaytaradi. Natijani ko‘rsatish yoki qayta ishlashda tanilgan so‘zlar, ularning tinish belgilari va ushbu til metama’lumoti o‘rtasidagi farqni saqlang.

Subtitr ilovasi audioni tartib bilan uzatishi, transkriptni yig‘ishi va tugallangan matndan ekranda ko‘rsatish yoki keyingi qayta ishlash uchun foydalanishi mumkin. Ovozli ilova tanilgan nutqni keyingi tilni tushunish bosqichiga uzatishi mumkin. Qo‘ng‘iroqlar tahlilida ismlar, sonlar va notanish atamalarni tekshirish mumkin bo‘lib qolishi uchun asl yozuv va transkript birga saqlanishi mumkin. ASR modeli transkript beradi; umumlashtirish, amallar va nutq yaratish ilovaning alohida bosqichlaridir.

NVIDIA modelni ochiq va xususiy nutq ma’lumotlari aralashmasida, tinish belgilari va harf registri to‘g‘ri qo‘yilgan matnga me’yorlashtirilgan inson hamda sintetik yorliqlar bilan o‘qitadi. Uning moslashtirish yo‘riqnomasi til yorliqlari va matn uslubini mos keltirishga, keyin o‘qitishga kiritilmagan audioni foydalanish ko‘zlangan oqimli sozlamada baholashga urg‘u beradi. Unda til, aksent va sohaga moslashtirish tasvirlanadi, ammo bunday moslashtirilgan natijalar asl nazorat nuqtasining xususiyatlari deb ko‘rsatilmaydi.

Model kartasi barcha holatlar uchun yagona davomiylik chegarasini e’lon qilish o‘rniga amaldagi yozuv uzunligini mavjud xotiraga bog‘laydi. Ko‘p tilli nashrni faqat ingliz tilidagi modeldan ajrating va tanlangan til hamda oqimli sozlamani transkripsiya natijasi bilan saqlang. Chiqish materiali umumiy suhbat javobi emas, balki ixtiyoriy ishlab chiqaruvchi til metama’lumoti qo‘shilgan tanilgan matndir.

Ailoot Ultra · Transkripsiya 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

Boshlash

Qabul qilinadigan kirish ma’lumotlari: Audio
Natijalar: Matn

Ailoot da mavjud · kirish ma’lumotlari va usullar

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions

Kirish: audio
Chiqish: text

Maydon	Tur	Talab	Qiymatlar va cheklovlar	Standart
Maydon`model`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b	Standart—
Maydon`input_audio`	Tur`object`	TalabMajburiy	Qiymatlar va cheklovlar	Standart—
Maydon`language`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—
Maydon`temperature`	Tur`number`	TalabIxtiyoriy	Qiymatlar va cheklovlar Eng kam: 0 Eng ko‘p: 1	Standart—
Maydon`response_format`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar json, verbose_json	Standartjson
Maydon`timestamp_granularities`	Tur`array`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—
Maydon`provider`	Tur`object`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—

Usul parametrlari va hayot sikli

Parametr	Parametr talablari
Parametr`content_type`	Parametr talablariapplication/json
Parametr`required`	Parametr talablarimodel, input_audio
Parametr`material_types`	Parametr talablariaudio
Parametr`material_conditions`	Parametr talablariHaqiqiy WAV faylini o‘qing va e’lon qilingan JSON input_audio uchun uning haqiqiy baytlarini kodlang; faqat JSON uchun berilgan aynan shu deklaratsiyada multipart yo‘nalishi taklif qilinmaydi.

Hayot sikli: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Tariflar

Yakuniy to‘lov qanday hisoblanadi

Ko‘rsatilgan tariflar xarajatni generatsiyadan oldin taxminiy hisoblash uchun xizmat qiladi. Yakuniy to‘lov dastlabki generatsiya uchun qayd etilgan xarajat asosida hisoblanadi. Natijaning o‘lchangan davomiyligi va oldindan taxmin qilingan miqdorlar haq undiriladigan yakuniy miqdor hisoblanmaydi.

Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.

Tezkor rejim: Ko‘rsatilmagan Tezkor rejim tanlanganda
Flex rejimi: Ko‘rsatilmagan flex rejimi tanlanganda
Maksimal fikrlash darajasi: Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda

Taqqoslash uchun taxminiy tariflar

Sozlamalar bo‘yicha narxlar

Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.

Sozlama	Tariflar jadvali	Prognoz miqdori	Hisob birligi	To‘lov
SozlamaTokenlar uchun bazaviy tariflar	Tariflar jadvaliAsosiy tarif	Prognoz miqdori—	Hisob birligi—	To‘lov Kirish · Kirish tokenlari · Faqat taqqoslash uchun taxmin — / 1K token Chiqish · Chiqish tokenlari · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshdan o‘qish · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshga yozish · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshga yozish, 1 soat · Faqat taqqoslash uchun taxmin — / 1K token
SozlamaKirish audiosi soniyasi	Tariflar jadvali—	Prognoz miqdori—	Hisob birligikirish audiosining soniyasi uchun	To‘lov Kirish · Kirish audiosi soniyasi · Faqat taqqoslash uchun taxmin $0.00000666 kirish audiosining soniyasi uchun
SozlamaYaratishning taxminiy qiymati	Tariflar jadvali—	Prognoz miqdoribir generatsiya uchun taxmin	Hisob birligi—	To‘lov Chiqish · Yaratishning taxminiy narxi · Faqat taqqoslash uchun taxmin $0.00000666 yaratishdan oldingi taxmin Bu taxmin qo‘shimcha to‘lov ham, tugallangan generatsiya uchun qat’iy tarif ham emas.

Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →

So‘rov namunalari

Ailoot Ultra · Transkripsiya

curl · Asl API formatiga aynan mos so‘rov tanasi va to‘liq natija

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.

Natijalarni olish va saqlash

Ailoot Ultra · Transkripsiya

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

Boshqa kontentni o‘qish

O‘zingizga tegishli mavjud materiallarni o‘qish

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.

Barcha tayyor natijalarni saqlash

Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.

To‘liq javob va sarlavhalarni, amalda qaytarilgan barcha natijalarni, dastlab qaytarilgan identifikatorlarni hamda barcha usage maydonlarini saqlang. Yaratish so‘rovini qayta yubormasdan dastlabki operatsiyani tiklang.

Asl javobni tekshirish kerak bo‘lsa

Qaytarilgan X-Client-Request-ID ni ma’lumotlarni solishtirib tekshirish uchun saqlang. Faqat amalda qaytarilgan task_id/asset_id qiymatlari bo‘yicha yoki o‘zingizga tegishli media kutubxonasidan ma’lumot o‘qing; operatsiya ID sidan vazifa URL manzilini hech qachon tuzmang va yaratish so‘rovini qayta yubormang.

Javob maydonlari

Maydon	Tur
Maydon`text`	Tur
Maydon`usage`	Tur
Maydon`segments[]`	Tur
Maydon`words[]`	Tur
Maydon`speaker fields`	Tur
Maydon`timestamps`	Tur

Taxalluslar

Model taxalluslari

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

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

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

FAQ · NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: audio → text
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/audio/transcriptions · nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Qanday cheklovlar amal qiladi?: 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