NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B NVIDIA का एक वाक् पहचान मॉडल है। यह Nemotron 3.5 परिवार से संबंधित है और api14 के माध्यम से मॉडल आईडी nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b के अंतर्गत वितरित किया जाता है। इसका डिज़ाइन सामान्य पाठ निर्माण के बजाय स्वचालित वाक् पहचान पर केंद्रित है, इसलिए इसे चैट मॉडल के बजाय एक समर्पित प्रतिलेखन घटक के रूप में समझना सर्वोत्तम है।

मॉडल इनपुट के रूप में ऑडियो लेता है और आउटपुट के रूप में प्रतिलेखन उत्पन्न करता है। इसकी आर्किटेक्चर एक prompt-conditioned, cache-aware FastConformer-RNNT डिज़ाइन है, जो कम विलंबता के साथ स्ट्रीमिंग पहचान के लिए बनाया गया है। यह बहुभाषी है, जो 40 से अधिक भाषाओं को लक्षित करता है, और स्ट्रीमिंग व्यवहार का अर्थ है कि ऑडियो आने पर उसे क्रमिक रूप से प्रतिलेखित किया जा सकता है, न कि केवल पूरी रिकॉर्डिंग उपलब्ध होने के बाद। इस मॉडल के लिए टोकन में संदर्भ लंबाई प्रकाशित नहीं है, और अधिकतम आउटपुट शून्य के रूप में सूचीबद्ध है, जो दर्शाता है कि इसका आउटपुट सामान्य अर्थ में टोकन बजट के बजाय एक प्रतिलेखन स्ट्रीम है।

ये विशेषताएँ उपयोगों के एक काफी विशिष्ट समूह की ओर संकेत करती हैं। रीयल-टाइम कैप्शनिंग सबसे स्पष्ट उपयुक्तता है, क्योंकि स्ट्रीमिंग डिज़ाइन का उद्देश्य भाषण अभी चल रहा हो तब ही पाठ उत्सर्जित करना है। यही बात बैठकों, प्रसारणों या किसी भी ऑडियो फ़ीड के लिए लाइव प्रतिलेखन पर लागू होती है, जहाँ पूरी फ़ाइल की प्रतीक्षा करना बहुत धीमा होगा। चूँकि मॉडल 40 से अधिक भाषाओं को कवर करता है, यह उन अनुप्रयोगों के लिए भी उपयुक्त है जो बहुभाषी दर्शकों की सेवा करते हैं और प्रति भाषा एक मॉडल के बजाय एकल पहचान घटक चाहते हैं। वे वाक् इंटरफ़ेस जिन्हें बोले गए इनपुट को किसी डाउनस्ट्रीम सिस्टम को पास करने से पहले पाठ में बदलने की आवश्यकता होती है, एक और स्वाभाविक उपयोग है।

आप मॉडल को api14 के OpenAI-संगत API के माध्यम से मॉडल आईडी nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b का उपयोग करके कॉल करते हैं। चूँकि इंटरफ़ेस OpenAI प्रारूप का अनुसरण करता है, जो मौजूदा clients और SDKs पहले से उस आकार को लक्षित करते हैं, उन्हें बिना पुनर्लेखन के api14 की ओर इंगित किया जा सकता है। मॉडल ऑडियो इनपुट स्वीकार करता है और प्रतिलेखन लौटाता है। इस मॉडल के लिए कोई अनुरोध पैरामीटर समर्थित के रूप में सूचीबद्ध नहीं हैं, इसलिए आपको यह नहीं मानना चाहिए कि temperature, top_p या इसी तरह के सैंपलिंग नियंत्रण जैसे विकल्प उपलब्ध हैं; ऑडियो भेजें और प्रतिलेखन पढ़ें।

यह जाँचना उचित है कि क्या आपके अनुप्रयोग को एक समर्पित ASR मॉडल की आवश्यकता है। यह मॉडल पाठ इनपुट नहीं लेता और सामान्य पाठ पूर्णताएँ उत्पन्न नहीं करता, इसलिए प्रतिलेखन का सारांश बनाना, उसके बारे में प्रश्नों के उत्तर देना या उसका अनुवाद करना जैसे कार्यों के लिए डाउनस्ट्रीम एक अलग भाषा मॉडल की आवश्यकता होती है। यदि आपका ऑडियो समर्थित भाषाओं में से किसी एक में नहीं है, या यदि आपको पाठ-इन, पाठ-आउट मॉडल चाहिए, तो api14 पर एक अलग मॉडल बेहतर फिट होगा।