NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B, NVIDIA tarafından geliştirilen bir konuşma tanıma modelidir. Nemotron 3.5 ailesine aittir ve api14 üzerinden nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b model kimliğiyle dağıtılır. Tasarımı genel metin üretiminden ziyade otomatik konuşma tanımaya odaklanmıştır, bu nedenle bir sohbet modeli olarak değil, özel bir transkripsiyon bileşeni olarak anlaşılması en doğrusudur.

Model girdi olarak ses alır ve çıktı olarak bir transkripsiyon üretir. Mimarisi, düşük gecikmeyle akışlı tanıma için tasarlanmış, istem koşullandırmalı ve önbellek farkındalıklı bir FastConformer-RNNT tasarımıdır. Çok dillidir ve 40'tan fazla dili hedefler; akış davranışı, sesin yalnızca tam kayıt hazır olduktan sonra değil, geldikçe artımlı olarak da yazıya dökülebileceği anlamına gelir. Bu model için token cinsinden bağlam uzunluğu yayımlanmamıştır ve maksimum çıktı sıfır olarak listelenmiştir; bu da çıktısının olağan anlamda bir token bütçesi değil, bir transkripsiyon akışı olduğunu yansıtır.

Bu özellikler oldukça belirli bir kullanım kümesine işaret eder. Gerçek zamanlı altyazılama en net uyumdur, çünkü akışlı tasarım konuşma hâlâ sürerken metin yaymayı amaçlar. Aynı durum toplantılar, yayınlar veya tam dosyayı beklemenin çok yavaş olacağı her türlü ses akışı için canlı transkripsiyon için de geçerlidir. Model 40'tan fazla dili kapsadığı için, çok dilli kitlelere hizmet veren ve her dil için bir model yerine tek bir tanıma bileşenine ihtiyaç duyan uygulamalara da uygundur. Konuşulan girdiyi bir aşağı akış sistemine aktarmadan önce metne dönüştürmesi gereken sesli arayüzler de bir diğer doğal kullanımdır.

Modeli api14'ün OpenAI uyumlu API'si üzerinden nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b model kimliğini kullanarak çağırırsınız. Arayüz OpenAI biçimini izlediği için, hâlihazırda bu yapıyı hedefleyen mevcut istemciler ve SDK'lar yeniden yazılmadan api14'e yönlendirilebilir. Model ses girdisini kabul eder ve bir transkripsiyon döndürür. Bu model için desteklendiği listelenen hiçbir istek parametresi yoktur, bu nedenle temperature, top_p veya benzer örnekleme denetimlerinin mevcut olduğunu varsaymamalısınız; sesi gönderin ve transkripsiyonu geri okuyun.

Uygulamanızın gerçekten özel bir ASR modeline ihtiyaç duyup duymadığını kontrol etmeye değer. Bu model metin girdisi almaz ve genel metin tamamlamaları üretmez, bu nedenle bir transkripti özetlemek, onunla ilgili soruları yanıtlamak veya onu çevirmek gibi görevler aşağı akışta ayrı bir dil modeli gerektirir. Sesiniz desteklenen dillerden birinde değilse veya metin girişli, metin çıkışlı bir modele ihtiyacınız varsa, api14 üzerindeki farklı bir model daha iyi uyacaktır.