Używamy plików cookie. Pliki cookie i pamięć przeglądarki pozwalają utrzymać logowanie i zapamiętać Twoje preferencje. Za Twoją zgodą mierzymy też, jak korzystasz ze strony. W każdej chwili możesz . Zobacz naszą politykę cookie.
nvidia/nemotron-3.5-transcribeKorzysta z Twojego salda według powyższych cen. Nowe konta zaczynają z darmowym użyciem.
Ustawienia
NVIDIA: Nemotron 3.5 Transcribe to model rozpoznawania mowy o otwartych wagach od NVIDIA. Jest zbudowany jako model typu mixture-of-experts o 30B parametrów z około 4B aktywnych parametrów, co oznacza, że tylko część całkowitych wag jest angażowana na jednostkę pracy. Należy do kategorii transkrypcji, więc jego przeznaczenie jest wąskie i konkretne, a nie ogólne.
Model przyjmuje dźwięk jako dane wejściowe i zwraca transkrypcję jako dane wyjściowe. Obsługuje nagrania o długości do jednej godziny i wspiera 40 języków. Dla tego modelu nie zdefiniowano okna kontekstu, co jest zgodne z pracą transkrypcyjną: jednostką wejścia jest samo nagranie audio, a nie sekwencja tokenów, którą sam składasz. Nie ma tu generowania tekstu, wywoływania narzędzi ani obsługi obrazu czy wideo, więc traktuj go wyłącznie jako komponent zamiany mowy na tekst w większym potoku.
Taki kształt możliwości wskazuje na dość jasny zestaw zastosowań. Nagrania długoformatowe, takie jak zapisy spotkań, wywiady, wykłady, podcasty i nagrania rozmów, są naturalnym zastosowaniem, ponieważ limit jednej godziny obejmuje większość dźwięku z pojedynczej sesji bez dzielenia. Obsługa 40 języków czyni go użytecznym dla wielojęzycznych archiwów oraz dla zespołów przetwarzających dźwięk z więcej niż jednego regionu. Ponieważ wynikiem jest transkrypcja, wpasowuje się jako pierwszy etap przepływu pracy: transkrybuj, a następnie przekaż tekst do osobnego modelu w celu streszczenia, indeksowania wyszukiwania, tłumaczenia, analizy sentymentu lub przeglądu zgodności. Jest to również rozsądny wybór, gdy chcesz mieć rozpoznawacz o otwartych wagach, który możesz analizować i hostować na własnych zasadach, zamiast zamkniętej usługi hostowanej.
Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu "nvidia/nemotron-3.5-transcribe". Ponieważ interfejs jest zgodny z konwencją OpenAI, istniejące klienty i SDK działają po zmianie bazowego URL i identyfikatora modelu, bez przepisywania. Model nie udostępnia żadnych konfigurowalnych parametrów żądania, więc wysyłasz dźwięk i przyjmujesz transkrypcję taką, jaka wróci; nie ma temperatury, top_p ani podobnej kontroli próbkowania do dostrojenia. Planuj integrację wokół stałego kształtu żądania.
Głównym ograniczeniem, o którym należy pamiętać, jest zakres. Ten model transkrybuje i nic więcej, więc każde zadanie wymagające rozumowania nad tekstem, generowania lub danych wejściowych innych niż dźwięk należy do innego modelu w dalszej części potoku. Jeśli Twoje nagranie przekracza jedną godzinę, będziesz musiał je podzielić przed wysłaniem. A jeśli Twoja praca dotyczy tylko tekstu, lepszym wyborem jest ogólny model językowy.
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);
Ta społeczność nie ma jeszcze wątków. Załóż pierwszy wątek o NVIDIA: Nemotron 3.5 Transcribe.