NVIDIA: Parakeet TDT 0.6B v3

NVIDIA: Parakeet TDT 0.6B v3, NVIDIA tarafından geliştirilen bir konuşmadan metne modelidir. FastConformer-TDT mimarisi üzerine kurulu 600 milyon parametreli bir modeldir ve 670.000 saatten fazla ses içeren Granary veri kümesiyle eğitilmiştir. Model, çok dilli bir transkripsiyon sistemi olarak konumlandırılmıştır ve kapsadığı diller arasında otomatik dil algılamayı destekler. Halihazırda NVIDIA ekosistemi içinde çalışıyorsanız veya yalnızca kompakt, odaklanmış bir transkripsiyon modeline ihtiyacınız varsa, bu, genel akıl yürütme yeteneğinden ziyade mimarisinin ve eğitim verilerinin gücüne göre değerlendireceğiniz türden bir modeldir.

Model tek amaçlıdır. Tek girdi modalitesi sestir ve tek çıktı modalitesi transkripsiyondur. Alışılmış sohbet anlamında metin istemlerini kabul etmez ve konuşma tarzında yanıtlar üretmez. Genel amaçlı bir dil modeli değil de özel bir transkripsiyon modeli olduğu için, token cinsinden ölçülen bir bağlam penceresi ve bir sohbet modelinin bildireceği şekilde bir maksimum çıktı uzunluğu yoktur; ilgili sınırlar istem boyutundan ziyade ses uzunluğu ve biçimiyle ilgilidir. api14 üzerinde bu model için listelenen desteklenen istek parametresi yoktur, bu nedenle ayar seçenekleri olmadan doğrudan bir transkripsiyon isteği göndermeyi beklemelisiniz.

Kullanım senaryoları doğrudan bu tasarımdan kaynaklanır. Kaydedilmiş sesin toplu veya talep üzerine transkripsiyonuna uygundur; örneğin toplantı kayıtları, mülakatlar, sesli notlar veya çağrı kayıtları. Birden fazla dil arasında otomatik dil algılama gerçekleştirdiği için, sesin dilini önceden bilmediğinizde ve her dosyayı elle yönlendirmek istemediğinizde makul bir seçim olabilir. Ayrıca, daha geniş bir istemin yan etkisi olarak transkripsiyon yapan büyük bir genel model yerine kompakt, özel bir konuşmadan metne adımına ihtiyaç duyan ardışık düzenlere de uygundur.

Modele api14'ün OpenAI uyumlu API'si üzerinden "nvidia/parakeet-tdt-0.6b-v3" model kimliğini kullanarak erişirsiniz. Mevcut OpenAI istemcinizi api14 temel URL'sine yönlendirin, sesinizi girdi olarak gönderin ve transkripsiyonu yanıttan okuyun. Bu model için desteklenen istek parametresi listelenmediğinden, isteğinizi minimal tutun ve temperature, top_p, max_tokens veya benzer örnekleme kontrollerinin herhangi bir etkisi olduğuna güvenmeyin. Ona, OpenAI istek şeklini paylaşan bir transkripsiyon uç noktası olarak davranın.

Akılda tutulması gereken bir pratik sınır, bu modelin yalnızca transkripsiyon yapmasıdır. Göreviniz transkripti özetlemeyi, onunla ilgili soruları yanıtlamayı, başka bir dile çevirmeyi veya başka herhangi bir metin üretimini gerektiriyorsa, bu adım için ayrı bir metin modeline ya da hem ses girdisini hem de üretken çıktıyı işleyen farklı bir modele ihtiyacınız olacaktır. Benzer şekilde, yapılandırılabilir çözümleme davranışına veya çıktı üzerinde ince ayarlı kontrole ihtiyacınız varsa, üzerine bir şey inşa etmeden önce güncel parametre listesini kontrol edin, çünkü burada hiçbiri listelenmemiştir. Dil algılamalı düz konuşmadan metne dönüştürme için doğrudan uygundur.