NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B adalah model pengenalan suara dari NVIDIA. Model ini termasuk dalam keluarga Nemotron 3.5 dan didistribusikan melalui api14 dengan model id nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b. Desainnya berpusat pada pengenalan suara otomatis, bukan pembuatan teks umum, sehingga paling tepat dipahami sebagai komponen transkripsi khusus, bukan model chat.

Model ini menerima audio sebagai input dan menghasilkan transkripsi sebagai output. Arsitekturnya adalah desain FastConformer-RNNT yang dikondisikan prompt dan sadar cache, yang dibangun untuk pengenalan streaming dengan latensi rendah. Model ini multibahasa, menargetkan lebih dari 40 bahasa, dan perilaku streaming berarti audio dapat ditranskripsikan secara bertahap saat diterima, bukan hanya setelah rekaman lengkap tersedia. Tidak ada panjang konteks dalam token yang dipublikasikan untuk model ini, dan output maksimum tercatat sebagai nol, yang mencerminkan bahwa outputnya adalah aliran transkripsi, bukan anggaran token dalam pengertian biasa.

Karakteristik tersebut mengarah pada serangkaian penggunaan yang cukup spesifik. Takarir waktu nyata adalah kecocokan paling jelas, karena desain streaming dimaksudkan untuk mengeluarkan teks saat ucapan masih berlangsung. Hal yang sama berlaku untuk transkripsi langsung untuk rapat, siaran, atau feed audio apa pun di mana menunggu file lengkap akan terlalu lambat. Karena model ini mencakup lebih dari 40 bahasa, model ini juga cocok untuk aplikasi yang melayani audiens multibahasa dan membutuhkan satu komponen pengenalan, bukan satu model per bahasa. Antarmuka suara yang perlu mengubah input lisan menjadi teks sebelum meneruskannya ke sistem hilir adalah penggunaan alami lainnya.

Anda memanggil model ini melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b. Karena antarmukanya mengikuti format OpenAI, klien dan SDK yang sudah ada yang sudah menargetkan bentuk tersebut dapat diarahkan ke api14 tanpa penulisan ulang. Model ini menerima input audio dan mengembalikan transkripsi. Tidak ada parameter permintaan yang tercatat didukung untuk model ini, jadi Anda tidak boleh mengasumsikan opsi seperti temperature, top_p, atau kontrol sampling serupa tersedia; kirim audio dan baca kembali transkripsinya.

Ada baiknya memeriksa apakah model ASR khusus adalah yang dibutuhkan aplikasi Anda. Model ini tidak menerima input teks dan tidak menghasilkan penyelesaian teks umum, sehingga tugas seperti meringkas transkrip, menjawab pertanyaan tentangnya, atau menerjemahkannya memerlukan model bahasa terpisah di hilir. Jika audio Anda tidak dalam salah satu bahasa yang didukung, atau jika Anda memerlukan model teks-masuk, teks-keluar, model lain di api14 akan lebih cocok.