Vi använder cookies. Cookies och webbläsarlagring håller dig inloggad och kommer ihåg dina preferenser. Med ditt tillstånd mäter vi också hur webbplatsen används. Du kan när som helst. Läs vår cookiepolicy.
nvidia/nemotron-3.5-transcribeKörs på ditt saldo till priserna ovan. Nya konton börjar med gratis användning.
Inställningar
NVIDIA: Nemotron 3.5 Transcribe är en öppen viktbaserad taligenkänningsmodell från NVIDIA. Den är byggd som en 30B mixture-of-experts-modell med ungefär 4B aktiva parametrar, vilket innebär att endast en bråkdel av de totala vikterna används per arbetsenhet. Den tillhör kategorin transkribering, så dess syfte är smalt och specifikt snarare än allmänt.
Modellen tar ljud som indata och producerar en transkribering som utdata. Den hanterar inspelningar på upp till en timme och stöder 40 språk. Ingen kontextfönster har definierats för denna modell, vilket är förenligt med transkriberingsarbete: indataenheten är själva ljudinspelningen snarare än en tokensekvens som du sätter ihop. Det finns ingen textgenerering, inget verktygsanrop och ingen bild- eller videohantering här, så betrakta den enbart som en komponent för tal-till-text i en större pipeline.
Den typen av kapacitet pekar mot en ganska tydlig uppsättning användningsområden. Långformiga inspelningar, såsom mötesinspelningar, intervjuer, föreläsningar, poddar och samtalsinspelningar, passar naturligt, eftersom taket på en timme täcker de flesta enskilda sessioner utan uppdelning. Täckningen av 40 språk gör den användbar för flerspråkiga arkiv och för team som bearbetar ljud från mer än en region. Eftersom utdata är en transkribering passar den in som det första steget i ett arbetsflöde: transkribera, skicka sedan texten till en separat modell för sammanfattning, sökindexering, översättning, sentimentanalys eller efterlevnadsgranskning. Den är också ett rimligt val när du vill ha en öppen viktbaserad igenkännare som du kan resonera kring och hosta på dina egna villkor snarare än en stängd hostad tjänst.
Du anropar den via api14:s OpenAI-kompatibla API med modell-id "nvidia/nemotron-3.5-transcribe". Eftersom gränssnittet följer OpenAI-konventionen fungerar befintliga klienter och SDK:er med en ändring av bas-URL och modell-id snarare än en omskrivning. Modellen exponerar inga konfigurerbara förfrågningsparametrar, så du skickar ditt ljud och tar transkriberingen som den kommer tillbaka; det finns ingen temperature, ingen top_p och ingen liknande samplingskontroll att justera. Planera din integration kring en fast förfrågningsform.
Den främsta begränsningen att ha i åtanke är omfattningen. Denna modell transkriberar och inget annat, så varje uppgift som kräver resonemang över texten, generering eller icke-ljudindata tillhör en annan modell nedströms. Om ditt ljud överstiger en timme måste du segmentera det innan du skickar det. Och om ditt arbete är enbart text är en allmän språkmodell ett bättre val.
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);
Den här communityn har inga trådar ännu. Starta den första om NVIDIA: Nemotron 3.5 Transcribe.