हम cookies इस्तेमाल करते हैं. Cookies और ब्राउज़र स्टोरेज आपको साइन इन रखते हैं और आपकी प्राथमिकताएं याद रखते हैं। आपकी अनुमति से हम यह भी मापते हैं कि साइट कैसे इस्तेमाल होती है। आप कभी भी । हमारी cookie नीति देखें।
nvidia/nemotron-3.5-transcribeऊपर दी गई कीमतों पर आपके बैलेंस से चलता है। नए अकाउंट मुफ्त उपयोग से शुरू होते हैं।
सेटिंग्स
NVIDIA: Nemotron 3.5 Transcribe, NVIDIA का एक ओपन-वेट स्पीच रिकग्निशन मॉडल है। इसे 30B मिक्सचर-ऑफ-एक्सपर्ट्स मॉडल के रूप में बनाया गया है, जिसमें लगभग 4B सक्रिय पैरामीटर हैं, जिसका अर्थ है कि प्रति इकाई काम में कुल वेट का केवल एक अंश ही सक्रिय होता है। यह ट्रांसक्रिप्शन श्रेणी में आता है, इसलिए इसका उद्देश्य सामान्य प्रयोजन के बजाय संकीर्ण और विशिष्ट है।
मॉडल इनपुट के रूप में ऑडियो लेता है और आउटपुट के रूप में ट्रांसक्रिप्शन देता है। यह एक घंटे तक की लंबाई की रिकॉर्डिंग संभालता है और 40 भाषाओं का समर्थन करता है। इस मॉडल के लिए कोई कॉन्टेक्स्ट विंडो परिभाषित नहीं है, जो ट्रांसक्रिप्शन काम के अनुरूप है: इनपुट की इकाई ऑडियो रिकॉर्डिंग स्वयं है, न कि आपके द्वारा जोड़ा गया टोकन अनुक्रम। यहाँ कोई टेक्स्ट जनरेशन नहीं, कोई टूल कॉलिंग नहीं और कोई इमेज या वीडियो हैंडलिंग नहीं है, इसलिए इसे बड़े पाइपलाइन में विशुद्ध रूप से स्पीच-टू-टेक्स्ट घटक के रूप में मानें।
क्षमता का यह स्वरूप उपयोगों के एक काफी स्पष्ट समूह की ओर संकेत करता है। लंबी अवधि की रिकॉर्डिंग, जैसे मीटिंग कैप्चर, इंटरव्यू, लेक्चर, पॉडकास्ट और कॉल रिकॉर्डिंग, इसके लिए स्वाभाविक उपयुक्त हैं, क्योंकि एक घंटे की सीमा अधिकांश एकल-सत्र ऑडियो को विभाजित किए बिना कवर कर लेती है। 40 भाषाओं की कवरेज इसे बहुभाषी अभिलेखागारों और उन टीमों के लिए उपयोगी बनाती है जो एक से अधिक क्षेत्र के ऑडियो को प्रोसेस करती हैं। चूँकि आउटपुट एक ट्रांसक्रिप्शन है, यह वर्कफ़्लो के पहले चरण के रूप में फिट होता है: ट्रांसक्राइब करें, फिर टेक्स्ट को सारांशीकरण, सर्च इंडेक्सिंग, अनुवाद, भावना विश्लेषण या अनुपालन समीक्षा के लिए एक अलग मॉडल को पास करें। यह तब भी उचित विकल्प है जब आप एक ओपन-वेट रिकग्नाइज़र चाहते हैं जिसके बारे में आप तर्क कर सकें और जिसे अपनी शर्तों पर होस्ट कर सकें, बजाय किसी बंद होस्टेड सेवा के।
आप इसे api14 के OpenAI-संगत API के माध्यम से मॉडल आईडी "nvidia/nemotron-3.5-transcribe" का उपयोग करके कॉल करते हैं। चूँकि इंटरफ़ेस OpenAI परंपरा का पालन करता है, मौजूदा क्लाइंट और SDK बेस URL और मॉडल आईडी बदलने के साथ काम करते हैं, न कि पुनर्लेखन की आवश्यकता के साथ। मॉडल कोई कॉन्फ़िगर करने योग्य अनुरोध पैरामीटर उजागर नहीं करता, इसलिए आप अपना ऑडियो भेजते हैं और ट्रांसक्रिप्शन वैसे ही लेते हैं जैसे वह वापस आता है; ट्यून करने के लिए कोई temperature, कोई top_p और कोई समान सैंपलिंग नियंत्रण नहीं है। अपने एकीकरण की योजना एक निश्चित अनुरोध स्वरूप के आसपास बनाएं।
ध्यान में रखने योग्य मुख्य बाधा दायरा है। यह मॉडल ट्रांसक्राइब करता है और कुछ नहीं, इसलिए टेक्स्ट पर तर्क, जनरेशन, या गैर-ऑडियो इनपुट की आवश्यकता वाला कोई भी काम डाउनस्ट्रीम में किसी अलग मॉडल का है। यदि आपका ऑडियो एक घंटे से अधिक है, तो आपको इसे भेजने से पहले खंडों में बाँटना होगा। और यदि आपका काम केवल टेक्स्ट का है, तो एक सामान्य भाषा मॉडल अधिक उपयुक्त है।
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);
इस कम्युनिटी में अभी कोई टॉपिक नहीं है। NVIDIA: Nemotron 3.5 Transcribe के बारे में पहला टॉपिक खोलें।