Usamos cookies. Las cookies y el almacenamiento del navegador mantienen tu sesión iniciada y recuerdan tus preferencias. Con tu permiso, también medimos cómo se usa el sitio. Puedes en cualquier momento. Consulta nuestra política de cookies.
nvidia/nemotron-3.5-transcribeSe ejecuta con tu saldo a los precios indicados arriba. Las cuentas nuevas empiezan con uso gratuito.
Transcripción
Los resultados aparecerán aquí.
Configuración
NVIDIA: Nemotron 3.5 Transcribe es un modelo de reconocimiento de voz de pesos abiertos de NVIDIA. Está construido como un modelo de mezcla de expertos de 30B con aproximadamente 4B de parámetros activos, lo que significa que solo una fracción del total de pesos se activa por unidad de trabajo. Se sitúa en la categoría de transcripción, por lo que su propósito es acotado y específico en lugar de ser de propósito general.
El modelo toma audio como entrada y produce una transcripción como salida. Maneja grabaciones de hasta una hora de duración y admite 40 idiomas. No se define ninguna ventana de contexto para este modelo, lo cual es coherente con el trabajo de transcripción: la unidad de entrada es la propia grabación de audio en lugar de una secuencia de tokens que uno arma. Aquí no hay generación de texto, ni llamada a herramientas, ni manejo de imágenes o video, así que trátalo puramente como un componente de voz a texto dentro de una canalización mayor.
Esa forma de capacidad apunta a un conjunto bastante claro de usos. Las grabaciones de formato largo, como capturas de reuniones, entrevistas, clases, pódcast y grabaciones de llamadas, son el encaje natural, ya que el límite de una hora cubre la mayoría del audio de una sola sesión sin necesidad de dividirlo. La cobertura de 40 idiomas lo hace utilizable para archivos multilingües y para equipos que procesan audio de más de una región. Dado que la salida es una transcripción, encaja como la primera etapa de un flujo de trabajo: transcribir y luego pasar el texto a un modelo aparte para resumen, indexación de búsqueda, traducción, análisis de sentimiento o revisión de cumplimiento. También es una opción razonable cuando quieres un reconocedor de pesos abiertos que puedas analizar y alojar en tus propios términos en lugar de un servicio alojado cerrado.
Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "nvidia/nemotron-3.5-transcribe". Como la interfaz sigue la convención de OpenAI, los clientes y SDK existentes funcionan con un cambio de URL base e id de modelo en lugar de una reescritura. El modelo no expone parámetros de solicitud configurables, así que envías tu audio y tomas la transcripción tal como llega; no hay temperature, ni top_p, ni ningún control de muestreo similar que ajustar. Planifica tu integración en torno a una forma de solicitud fija.
La principal restricción a tener en cuenta es el alcance. Este modelo transcribe y nada más, así que cualquier tarea que requiera razonamiento sobre el texto, generación o entrada que no sea audio pertenece a un modelo diferente aguas abajo. Si tu audio supera una hora, tendrás que segmentarlo antes de enviarlo. Y si tu trabajo es solo texto, un modelo de lenguaje general es el encaje mejor.
import fs from "node:fs";
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.audio.transcriptions.create({
model: "nvidia/nemotron-3.5-transcribe",
file: fs.createReadStream("audio.mp3"),
});
console.log(result.text);
Esta comunidad aún no tiene temas. Abre el primero sobre NVIDIA: Nemotron 3.5 Transcribe.