Cookieを使用しています. Cookieとブラウザストレージは、ログイン状態の維持と設定の保存に使われます。許可いただいた場合は、サイトの利用状況も計測します。はいつでも変更できます。詳しくはCookieポリシーをご覧ください。
初めてですか？使い方をご紹介します プレイグラウンド、モデル、APIキーを1分でご案内します。
Cookieを使用しています. Cookieとブラウザストレージは、ログイン状態の維持と設定の保存に使われます。許可いただいた場合は、サイトの利用状況も計測します。はいつでも変更できます。詳しくはCookieポリシーをご覧ください。
nvidia/nemotron-3.5-transcribe上記の料金で残高から差し引かれます。新規アカウントには無料利用分があります。
設定
NVIDIA: Nemotron 3.5 Transcribe は、NVIDIA によるオープンウェイトの音声認識モデルです。30B の mixture-of-experts モデルとして構築されており、およそ 4B のアクティブパラメータを持ちます。つまり、作業単位ごとに総ウェイトの一部のみが使用されます。これは文字起こしカテゴリに属するため、その目的は汎用ではなく、狭く特定的です。
このモデルは音声を入力として受け取り、文字起こしを出力として生成します。最長 1 時間の録音を処理でき、40 言語をサポートします。このモデルにはコンテキストウィンドウが定義されていません。これは文字起こし作業と整合しています。入力の単位は、あなたが組み立てるトークン列ではなく、音声録音そのものです。ここにはテキスト生成も、ツール呼び出しも、画像や動画の処理もないため、より大きなパイプラインにおける音声-to-テキストコンポーネントとして純粋に扱ってください。
この能力の形は、かなり明確な用途群を示しています。会議の録音、インタビュー、講義、ポッドキャスト、通話録音などの長時間録音は自然な適合先です。1 時間という上限が、分割せずにほとんどの単一セッション音声をカバーするためです。40 言語のカバレッジにより、多言語アーカイブや、複数の地域の音声を処理するチームに使用できます。出力が文字起こしであるため、ワークフローの最初の段階として組み込まれます。文字起こしを行い、その後テキストを別のモデルに渡して要約、検索インデックス作成、翻訳、感情分析、コンプライアンスレビューを行います。また、クローズドなホスト型サービスではなく、自分で理解し、自分の条件でホストできるオープンウェイトの認識器を求める場合にも妥当な選択です。
これは、モデル id "nvidia/nemotron-3.5-transcribe" を使用して、api14 の OpenAI 互換 API を通じて呼び出します。インターフェースが OpenAI の慣例に従っているため、既存のクライアントと SDK は、書き換えではなく base URL とモデル id の変更で動作します。このモデルは設定可能なリクエストパラメータを公開していないため、音声を送信し、返ってきた文字起こしをそのまま受け取ります。調整できる temperature も top_p も、同様のサンプリング制御もありません。固定されたリクエスト形状を前提に統合を計画してください。
留意すべき主な制約は範囲です。このモデルは文字起こしを行い、それ以外は行いません。そのため、テキストに対する推論、生成、または音声以外の入力を必要とするタスクは、下流の別のモデルに属します。音声が 1 時間を超える場合は、送信前に分割する必要があります。また、作業がテキストのみである場合は、汎用言語モデルの方が適しています。
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);
このコミュニティにはまだトピックがありません。NVIDIA: Nemotron 3.5 Transcribeについて最初のトピックを立てましょう。