Descripción
NVIDIA Nemotron 3.5 Transcribe es un sofisticado modelo de reconocimiento automático de voz (ASR), que cuenta con 34 mil millones de parámetros (4.3 mil millones activos) e incorpora un codificador de audio. Su arquitectura es un modelo de lenguaje híbrido Mixture of Experts Mamba-2–Transformer, mejorado con un Codificador de Expertos Paralelos para ASR y reconocimiento de hablantes.
Leer más
Este modelo admite una amplia gama de tareas, incluyendo transcripción literal y en forma escrita, transcripción contextual, transcripción atribuida a hablantes, transcripción rica, traducción de voz, identificación de idiomas y respuesta a preguntas de audio. Es competente en 40 idiomas, con niveles de calidad que varían de 'Liderazgo' a 'Soportado' en diferentes localidades y capacidades como ASR, traducción, ASR multihablante y cambio de código.
Nemotron 3.5 Transcribe está optimizado para su implementación en hardware NVIDIA, requiriendo específicamente 1× H100 80 GB para un rendimiento óptimo. Soporta precisión BF16, con variantes FP8 y NVFP4 también disponibles. El modelo puede procesar grabaciones de hasta 1 hora de duración y tiene una longitud de contexto de 65,536 tokens. Las entradas incluyen audio (WAV, FLAC, MP3, OGG) y texto, generando salidas de texto con marcas de tiempo opcionales para las palabras.
El modelo demuestra un rendimiento líder en varios benchmarks, incluyendo ASR multihablante, control de estilo, ASR en inglés, ASR de larga duración y ASR multilingüe. Su guía de indicaciones ofrece opciones flexibles para diferentes casos de uso, como generar transcripciones de investigación, texto legible para subtítulos, transcribir vocabulario específico de dominio, identificar hablantes, traducir voz y responder preguntas de grabaciones de audio.
NVIDIA Nemotron 3.5 Transcribe está licenciado bajo OpenMDW-1.1, asegurando términos de uso claros. Está destinado a desarrolladores e investigadores que construyen aplicaciones de voz y audio que requieren evaluación y revisión específicas de la aplicación. Las robustas capacidades del modelo y su amplio soporte de idiomas lo convierten en una solución versátil para tareas complejas de procesamiento y comprensión de audio.
- CategoríaModelos de IA y LLM
- Modelo de preciosCódigo abierto
- ImplementaciónNube
- PlataformasLinux, Windows
Aspectos destacados de NVIDIA Nemotron 3.5 Transcribe
34 mil millones de parámetros (4.3B activos) con codificador de audio
Arquitectura híbrida Mixture of Experts Mamba-2–Transformer
Soporta precisión BF16, FP8 y NVFP4
Longitud de contexto de 65,536 tokens para grabaciones de hasta 1 hora
Procesa entradas de audio y texto, genera texto con marcas de tiempo opcionales
Soporta 40 idiomas para transcripción y traducción
Realiza transcripción literal y en forma escrita
Ofrece transcripción contextual y atribuida a hablantes
Incluye capacidades de transcripción rica y traducción de voz
Presenta identificación de idiomas y respuesta a preguntas de audio
Optimizado para implementación en hardware NVIDIA H100 80 GB
Predicción de Múltiples Tokens (MTP) nativa para decodificación especulativa
Modo de razonamiento configurable a través de plantilla de chat
Logra alta precisión en múltiples benchmarks de ASR
Licencia OpenMDW-1.1
Primeros pasos con NVIDIA Nemotron 3.5 Transcribe
Acceder al Modelo: Obtenga acceso al modelo NVIDIA Nemotron 3.5 Transcribe a través de Hugging Face.
Configurar el Entorno: Configure su entorno con el hardware NVIDIA necesario (por ejemplo, H100 80 GB) y tiempos de ejecución de inferencia (vLLM, Hugging Face Transformers).
Preparar Entradas: Proporcione archivos de audio en formatos WAV, FLAC, MP3 o OGG, y/o indicaciones de texto.
Formular Indicaciones: Utilice estructuras de indicaciones recomendadas para tareas específicas como ASR literal, transcripciones limpias, atribución de hablantes o traducción de voz.
Enviar Solicitud: Envíe solicitudes al servidor del modelo, especificando modos de decodificación y configuraciones de razonamiento.
Procesar Salida: Reciba salidas de texto generadas, que pueden incluir transcripciones, traducciones, etiquetas de hablantes o respuestas a preguntas de audio.
Integrar Software: Integre el modelo en aplicaciones utilizando arquitecturas y sistemas operativos compatibles (Linux, Windows a través de WSL2).
Casos de uso de NVIDIA Nemotron 3.5 Transcribe
- Transcripciones de Investigación
- Subtítulos y Notas
- Transcripción de Discusiones Técnicas
- Flujos de Trabajo de Revisión de Reuniones
- Dictado e Interfaces de Voz
- Localización de Medios Multilingües
- Búsqueda y Comprensión de Audio
- Transcripción de Cambio de Código
- Recuperación de Valores Estructurados
- Solicitudes de Asistente de Voz







