NVIDIA: Parakeet TDT 0.6B v3
NVIDIA 的 Parakeet TDT 0.6B v3 是支援 25 種歐洲語言的 600M 語音轉文字模型，具備自動語言偵測功能。它會產生附有標點的逐字稿，並支援單字與片段時間戳記；長音訊模式則取決於製造商的注意力設定。
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Parakeet TDT 0.6B v3 是 NVIDIA 具有六億參數的多語言語音辨識模型。它將僅支援英語的 v2 模型擴充至 25 種歐洲語言，並能自動偵測音訊中的語言，無須另行提供語言提示。結果是包含標點與大小寫的語音逐字稿。
支援的語言包括保加利亞語、克羅埃西亞語、捷克語、丹麥語、荷蘭語、英語、愛沙尼亞語、芬蘭語、法語、德語、希臘語、匈牙利語、義大利語、拉脫維亞語、立陶宛語、馬爾他語、波蘭語、葡萄牙語、羅馬尼亞語、斯洛伐克語、斯洛維尼亞語、西班牙語、瑞典語、俄語及烏克蘭語。此清單屬於 v3 版本；其他 Parakeet 解碼器類型及語言變體是不同的模型。
架構結合 FastConformer 編碼器與 token 及持續時間轉導器解碼器。編碼器將聲學訊號轉成表示向量；解碼器預測文字 token，同時預測在音訊影格中向前推進所需的持續時間。這種 TDT 行為使它與同系列的 CTC 及一般 RNN-T 解碼器有所區別。
請準備取樣率為 16 kHz 的單聲道音訊。製造商直接支援的輸入格式為 WAV 及 FLAC，其實作範例使用處理器先整理波形，再進行辨識。請將錄音識別碼與原始音訊連同回傳文字一起保留，以便核對逐字稿，或讓逐字稿與來源對齊。
時間戳記會為辨識出的語音加入時間資訊。啟用時間戳記生成時，NVIDIA 的 NeMo 範例會回傳字元、單字及片段的時間資訊。字幕或典藏應用程式可以使用片段邊界，將一段文字連結至錄音；也可以利用單字時間資訊定位特定語句。逐字稿與時間欄位是結果中不同的部分，應保持彼此關聯。
處理長錄音時，注意力設定很重要。製造商說明，在 80 GB A100 上使用完整注意力時，最長可處理 24 分鐘；使用局部注意力時，最長可處理三小時。其長音訊範例會將編碼器切換為局部注意力，並限制左、右上下文。這些時間長度描述的是製造商特定設定，不是適用於所有部署的無條件統一上限。
製造商也發布了用於串流的分塊推論工作流程。範例會定義區塊長度，以及每個區塊前後的左、右音訊上下文。此處理方法與原生具快取感知能力的 Nemotron 串流模型不同。應用程式分段彙整一份錄音的逐字稿時，應保留所選方法及原始時間參照。
訓練資料混合了 10,000 小時人工轉錄語音，以及 660,000 小時帶有偽標籤的 Granary 資料，並保留標點與大小寫。製造商也支援透過文件所載的模型工作流程，在另一個語音資料集上微調此已釋出的檢查點；微調後的檢查點仍與基礎 v3 模型不同。因此，模型的文字輸出適合作為更大工作流程中的語音轉文字階段。會議典藏可以將逐字稿附於錄音；搜尋應用程式可以為辨識出的段落建立索引；字幕工具則可以使用回傳的時間中繼資料。
辨識品質會隨語言、口音、雜訊及語音類型而變化。製造商特別指出，訓練中未涵蓋的詞彙可能無法辨識，孤立單字或不完整句子提供的上下文也較弱。請保留原始音訊，以便複查姓名與專業術語，避免將不確定的辨識結果當成已驗證的事實。
實用的產物是逐字稿及所要求的時間資訊。摘要、翻譯、說話者分析及執行動作都是獨立的應用程式任務，並非「語音轉文字」這個名稱所隱含的功能。請將 v3 身分及製造商的注意力模式，與其他檢查點、轉換後的產物及量化產物分開看待。
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions nvidia/parakeet-tdt-0.6b-v3
nvidia/parakeet-tdt-0.6b-v3入門
NVIDIA 的 Parakeet TDT 0.6B v3 是支援 25 種歐洲語言的 600M 語音轉文字模型，具備自動語言偵測功能。它會產生附有標點的逐字稿，並支援單字與片段時間戳記；長音訊模式則取決於製造商的注意力設定。
- 接受的輸入
- 音訊
- 結果
- 文字
Ailoot 可用 · 輸入與方法
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions
- 輸入
audio- 輸出
text
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 nvidia/parakeet-tdt-0.6b-v3 | 預設值— |
欄位input_audio | 類型object | 要求必填 | 值與限制 | 預設值— |
欄位language | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 最小值: 0 最大值: 1 | 預設值— |
欄位response_format | 類型string | 要求選填 | 值與限制 json, verbose_json | 預設值json |
欄位timestamp_granularities | 類型array | 要求選填 | 值與限制 | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 | 預設值— |
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, input_audio |
參數material_types | 規格audio |
參數material_conditions | 規格請讀取實際的 WAV 檔案，並將其真實位元組編碼，用於所宣告的 JSON input_audio；此確切的純 JSON 宣告並未提供 multipart 路由。 |
生命週期： synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 實際回傳的 task_id 或媒體庫紀錄
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
方案
最終費用的計算方式
顯示的費率用於在生成前估算費用。最終費用依原始生成作業記錄的成本計算。實測的輸出時間長度與預估數量並非最終計費數量。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
- 快速模式
- 未指定 選取快速模式時
- flex 模式
- 未指定 選取 flex 模式時
- 最高推理強度
- 未指定 最高推理強度採用 default 調整值時
供比較的預估費率
各設定的價格
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 預估數量 | 計費單位 | 費用 |
|---|---|---|---|---|
| 設定基礎 token 費率 | 費率表基本費率 | 預估數量— | 計費單位— | 費用 輸入 · 輸入 Token · 僅供比較的估算 — / 1K Token 輸出 · 輸出 Token · 僅供比較的估算 — / 1K Token 輸入 · 讀取快取 · 僅供比較的估算 — / 1K Token 輸入 · 寫入快取 · 僅供比較的估算 — / 1K Token 輸入 · 寫入快取，1 小時 · 僅供比較的估算 — / 1K Token |
| 設定輸入音訊秒數 | 費率表— | 預估數量— | 計費單位每秒輸入音訊 | 費用 輸入 · 輸入音訊秒數 · 僅供比較的估算 $0.00005 每秒輸入音訊 |
| 設定預估生成費用 | 費率表— | 預估數量單次生成估算值 | 計費單位— | 費用 輸出 · 預估生成費用 · 僅供比較的估算 $0.00005 生成前估算 此估算並非額外費用，也不是本次生成完成後的固定費率。 |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot Ultra · 語音轉文字
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
接收並儲存結果
Ailoot Ultra · 語音轉文字
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
其他內容讀取方式
set -eu
: "${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.
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
保留完整回應與標頭、所有實際輸出、原始回傳的識別碼，以及所有用量欄位。恢復原始作業時，請勿再次提交建立請求。
需要檢查原始回應時
保留回傳的 X-Client-Request-ID，以供核對。僅讀取實際回傳的 task_id/asset_id 值或自己擁有的媒體庫；請勿以作業 ID 組成任務 URL，也請勿重新提交建立請求。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位text | 類型 |
欄位usage | 類型 |
欄位segments[] | 類型 |
欄位words[] | 類型 |
欄位speaker fields | 類型 |
欄位timestamps | 類型 |
別名
模型別名
Ailoot Ultra nvidia/parakeet-tdt-0.6b-v3
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · NVIDIA: Parakeet TDT 0.6B v3
- 可以使用哪些輸入與結果？
POST /v1/audio/transcriptions·nvidia/parakeet-tdt-0.6b-v3:audio→text- 請求使用哪些欄位？
POST /v1/audio/transcriptions·nvidia/parakeet-tdt-0.6b-v3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- 適用哪些限制？
POST /v1/audio/transcriptions·nvidia/parakeet-tdt-0.6b-v3:temperature.minimum:0;temperature.maximum:1