説明
Nemotron 3.5 ASRは、NVIDIAによって開発された最先端の多言語ストリーミング自動音声認識（ASR）モデルです。40の言語ロケールにわたる高品質な文字起こしを提供するように設計されており、グローバルなアプリケーションにとって多用途なツールです。このモデルは、冗長な計算を排除することで計算効率を向上させるCache-Aware FastConformer-RNNTアーキテクチャに基づいて構築されています。これにより、モデルは新しいオーディオチャンクのみを処理し、キャッシュされたエンコーダコンテキストを再利用することで、精度を損なうことなくエンドツーエンドの遅延を大幅に削減します。
続きを読む
このモデルは、低遅延ストリーミングと高スループットのバッチ処理の両方をサポートしており、音声エージェントアプリケーションなどのさまざまなユースケースに適しています。句読点と大文字のネイティブサポートを備えており、文字起こしが正確であるだけでなく、適切にフォーマットされることを保証します。モデルのランタイム柔軟性により、ユーザーは80msから1120msまでの設定可能なチャンクサイズを選択して、遅延と精度のバランスを最適化できます。
Nemotron 3.5 ASRは、言語IDプロンプト条件付けを備えており、単一のモデルから40の言語ロケールにわたる音声を文字起こしすることができます。この機能には自動言語検出が含まれており、モデルは混在言語トラフィックをシームレスに処理できます。モデルのアーキテクチャは、24層のFastConformerエンコーダとRNNTデコーダで構成されており、プロンプトを活用して文字起こしプロセスをガイドします。
このモデルは、公開および独自のデータセットを含む大規模なASRデータセットでトレーニングされており、多様で挑戦的な音響条件において堅牢なパフォーマンスを保証します。商業利用の準備が整っており、特定の言語やドメインに対するパフォーマンスを向上させるためにファインチューニングが可能です。高度な機能と高い効率を備えたNemotron 3.5 ASRは、多言語文字起こし機能を実装しようとする企業にとって理想的なソリューションです。
- カテゴリーAI文字起こしツール
- 料金モデルオープンソース
- デプロイクラウド
- プラットフォームLinux
Nemotron 3.5 ASRのハイライト
40言語の多言語サポート
Cache-Aware FastConformer-RNNTアーキテクチャ
低遅延ストリーミングと高スループットのバッチ処理
句読点と大文字のネイティブサポート
ランタイム柔軟性のための設定可能なチャンクサイズ
言語IDプロンプト条件付け
自動言語検出
特定の言語に対するファインチューニングサポート
Nemotron 3.5 ASRをはじめる
モデルにアクセス: Hugging Faceを訪問
認証: APIキーを使用
環境を設定: 依存関係をインストール
API経由で統合: 提供されたエンドポイントを使用
最適化: 遅延のためにチャンクサイズを調整
Nemotron 3.5 ASRの使用例
- 多言語文字起こし
- 音声エージェントアプリケーション
- 放送メディア
- カスタマーサポート
- 教育
