NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B är en taligenkänningsmodell från NVIDIA. Den tillhör Nemotron 3.5-familjen och distribueras via api14 under modell-id nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b. Dess design är inriktad på automatisk taligenkänning snarare än allmän textgenerering, så den förstås bäst som en dedikerad transkriberingskomponent snarare än en chattmodell.

Modellen tar ljud som indata och producerar en transkription som utdata. Dess arkitektur är en promptkonditionerad, cachemedveten FastConformer-RNNT-design, som är byggd för strömmande igenkänning med låg latens. Den är flerspråkig och riktar sig mot fler än 40 språk, och det strömmande beteendet innebär att ljud kan transkriberas stegvis i takt med att det anländer i stället för först efter att en komplett inspelning finns tillgänglig. Ingen kontextlängd i tokens publiceras för denna modell, och den maximala utdatan anges som noll, vilket återspeglar att dess utdata är en transkriptionsström snarare än en tokenbudget i vanlig bemärkelse.

Dessa egenskaper pekar mot en ganska specifik uppsättning användningsområden. Realtidsundertextning är den tydligaste tillämpningen, eftersom den strömmande designen är avsedd att skriva ut text medan talet ännu pågår. Detsamma gäller live-transkribering för möten, sändningar eller vilken ljudström som helst där det skulle vara för långsamt att vänta på hela filen. Eftersom modellen täcker fler än 40 språk passar den också för applikationer som betjänar flerspråkiga målgrupper och behöver en enda igenkänningskomponent i stället för en modell per språk. Röstgränssnitt som behöver omvandla talad indata till text innan den skickas vidare till ett nedströms system är ett annat naturligt användningsområde.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b. Eftersom gränssnittet följer OpenAI-formatet kan befintliga klienter och SDK:er som redan riktar sig mot den formen pekas mot api14 utan att skrivas om. Modellen tar emot ljudindata och returnerar en transkription. Inga förfrågningsparametrar listas som stödda för denna modell, så du bör inte anta att alternativ som temperature, top_p eller liknande samplingkontroller är tillgängliga; skicka ljudet och läs tillbaka transkriptionen.

Det är värt att kontrollera att en dedikerad ASR-modell är vad din applikation behöver. Denna modell tar inte textindata och producerar inte allmänna textkompletteringar, så uppgifter som att sammanfatta en transkription, svara på frågor om den eller översätta den kräver en separat språkmodell nedströms. Om ditt ljud inte är på ett av de stödda språken, eller om du behöver en text-in, text-ut-modell, passar en annan modell på api14 bättre.