NVIDIA: Parakeet TDT 0.6B v3
NVIDIA’ning Parakeet TDT 0.6B v3 modeli — tilni avtomatik aniqlaydigan, 25 ta Yevropa tili uchun mo‘ljallangan 600M parametrli nutqni matnga aylantirish modeli. U tinish belgilari qo‘yilgan transkriptlar yaratadi va so‘z hamda segment vaqt belgilarini qo‘llab-quvvatlaydi; uzun audio rejimlari ishlab chiqaruvchining attention sozlamalariga bog‘liq.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Parakeet TDT 0.6B v3 — NVIDIA’ning 600 million parametrli, ko‘p tilli nutqni tanish modeli. U faqat ingliz tilida ishlaydigan v2 modelining imkoniyatlarini 25 ta Yevropa tiliga kengaytiradi va alohida til ko‘rsatmasisiz audio tilini avtomatik aniqlaydi. Natija — tinish belgilari va bosh harflar qo‘yilgan nutq transkripti.
Qo‘llab-quvvatlanadigan tillar: bolgar, xorvat, chex, daniya, niderland, ingliz, eston, fin, fransuz, nemis, yunon, venger, italyan, latish, litva, malta, polyak, portugal, rumin, slovak, sloven, ispan, shved, rus va ukrain tillari. Bu ro‘yxat v3 nashriga tegishli; Parakeet’ning boshqa dekoder turlari va til variantlari alohida modellardir.
Arxitektura FastConformer enkoderini token va davomiylikni bashorat qiluvchi transducer dekoderi bilan birlashtiradi. Enkoder akustik signalni ichki ifodalarga aylantiradi; dekoder esa matn tokenlarini audio kadrlar bo‘ylab oldinga o‘tish uchun kerakli davomiyliklar bilan birga bashorat qiladi. Shu TDT xatti-harakati uni oilaning CTC va odatiy RNN-T dekoderlaridan ajratib turadi.
16 kHz chastotada diskretlangan bir kanalli audio tayyorlang. Ishlab chiqaruvchining bevosita kirish formatlari WAV va FLAC; amalga oshirish misollarida esa tovush to‘lqinini tanishga tayyorlash uchun protsessordan foydalaniladi. Transkriptni tekshirish yoki manbaga moslashtirish uchun yozuv identifikatori va asl audioni qaytgan matn bilan birga saqlang.
Vaqt belgilarini qo‘shish tanilgan nutqqa vaqt ma’lumotlarini biriktiradi. NVIDIA’ning NeMo misoli vaqt belgilarini yaratish yoqilganda belgi, so‘z va segment vaqtlarini qaytaradi. Subtitr yoki arxiv ilovasi parchani yozuvga bog‘lash uchun segment chegaralaridan, muayyan iborani topish uchun esa so‘z vaqtlaridan foydalanishi mumkin. Transkript va uning vaqt maydonlari natijaning turli qismlari bo‘lib, o‘zaro bog‘langan holda saqlanishi kerak.
Uzun yozuvlarda attention sozlamasi muhim. Ishlab chiqaruvchi 80 GB A100 da full attention bilan 24 daqiqagacha, local attention bilan esa uch soatgacha ishlashni tasvirlaydi. Uning uzun audio misolida enkoder chap va o‘ng konteksti cheklangan local attention rejimiga o‘tkaziladi. Bu davomiyliklar har bir joylashtirish uchun yagona shartsiz chegarani emas, ishlab chiqaruvchining muayyan sozlamalarini ifodalaydi.
Ishlab chiqaruvchi oqimda foydalanish uchun bo‘laklar bo‘yicha inference jarayonini ham e’lon qiladi. Misolda har bir bo‘lak uzunligi hamda uning atrofidagi chap va o‘ng audio konteksti belgilanadi. Bu qayta ishlash tartibi keshni hisobga oluvchi asl Nemotron oqimli modelidan alohidadir. Ilova yozuv transkriptini qismlar bo‘yicha yig‘ayotganda tanlangan tartibni va dastlabki vaqt asosini saqlashi kerak.
O‘qitish aralashmasiga insonlar matnga ko‘chirgan 10,000 soat nutq va psevdoyorliqlar bilan belgilangan 660,000 soat Granary ma’lumotlari kiradi; ularda tinish belgilari va bosh harflar saqlangan. Ishlab chiqaruvchi hujjatlashtirilgan model jarayoni orqali chiqarilgan ushbu nazorat nuqtasini boshqa nutq ma’lumotlari to‘plamida qo‘shimcha o‘qitishni ham qo‘llab-quvvatlaydi; moslashtirilgan nazorat nuqtasi asosiy v3 modelidan alohida bo‘lib qoladi. Shu sababli modelning matnli chiqishi kengroq ish jarayonidagi nutqni matnga aylantirish bosqichiga mos keladi. Uchrashuv arxivi transkriptni yozuvga biriktirishi, qidiruv ilovasi tanilgan parchani indekslashi, subtitr vositasi esa qaytgan vaqt metama’lumotlaridan foydalanishi mumkin.
Nutqni tanish sifati til, aksent, shovqin va nutq turiga qarab o‘zgaradi. Ishlab chiqaruvchi o‘qitish vaqtida uchramagan lug‘at birliklari tushib qolishi mumkinligini, alohida so‘zlar yoki tugallanmagan gaplar esa zaifroq kontekst berishini alohida ta’kidlaydi. Noaniq tanilgan matnni tasdiqlangan faktga aylantirish o‘rniga, ismlar va maxsus atamalarni tekshirish uchun asl audioni saqlang.
Foydali material — so‘ralgan vaqt ma’lumotlari qo‘shilgan transkript. Xulosalar, tarjimalar, so‘zlovchilar tahlili va amallar ilovaning alohida vazifalari bo‘lib, nutqni matnga aylantirish nomining o‘zi ularni anglatmaydi. v3 modelining aynan qaysi nashr ekani va ishlab chiqaruvchining attention rejimini boshqa nazorat nuqtalari hamda konvertatsiya qilingan yoki kvantlangan materiallardan ajratib saqlang.
Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions nvidia/parakeet-tdt-0.6b-v3
nvidia/parakeet-tdt-0.6b-v3Boshlash
NVIDIA’ning Parakeet TDT 0.6B v3 modeli — tilni avtomatik aniqlaydigan, 25 ta Yevropa tili uchun mo‘ljallangan 600M parametrli nutqni matnga aylantirish modeli. U tinish belgilari qo‘yilgan transkriptlar yaratadi va so‘z hamda segment vaqt belgilarini qo‘llab-quvvatlaydi; uzun audio rejimlari ishlab chiqaruvchining attention sozlamalariga bog‘liq.
- 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 |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar nvidia/parakeet-tdt-0.6b-v3 | Standart— |
Maydoninput_audio | Turobject | TalabMajburiy | Qiymatlar va cheklovlar | Standart— |
Maydonlanguage | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydontemperature | Turnumber | TalabIxtiyoriy | Qiymatlar va cheklovlar Eng kam: 0 Eng ko‘p: 1 | Standart— |
Maydonresponse_format | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar json, verbose_json | Standartjson |
Maydontimestamp_granularities | Turarray | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonprovider | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, input_audio |
Parametrmaterial_types | Parametr talablariaudio |
Parametrmaterial_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 $0.00005 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 $0.00005 yaratishdan oldingi taxmin Bu taxmin qo‘shimcha to‘lov ham, tugallangan generatsiya uchun qat’iy tarif ham emas. |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
So‘rov namunalari
Ailoot Ultra · Transkripsiya
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Natijalarni olish va saqlash
Ailoot Ultra · Transkripsiya
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Boshqa kontentni o‘qish
set -eu
: "${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 |
|---|---|
Maydontext | Tur |
Maydonusage | Tur |
Maydonsegments[] | Tur |
Maydonwords[] | Tur |
Maydonspeaker fields | Tur |
Maydontimestamps | Tur |
Taxalluslar
Model taxalluslari
Ailoot Ultra nvidia/parakeet-tdt-0.6b-v3
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · NVIDIA: Parakeet TDT 0.6B v3
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/transcriptions·nvidia/parakeet-tdt-0.6b-v3:audio→text- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/transcriptions·nvidia/parakeet-tdt-0.6b-v3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Qanday cheklovlar amal qiladi?
POST /v1/audio/transcriptions·nvidia/parakeet-tdt-0.6b-v3:temperature.minimum:0;temperature.maximum:1