メインコンテンツへスキップ
ToolPotion
AI アドバイザー
送信(無料)

NVIDIA Nemotron 3.5 Transcribe

AI モデルAIモデルとLLMオープンソース · Linux, Windows

NVIDIA Nemotron 3.5 Transcribeは、NeMoを使用して構築された34Bパラメータの自動音声認識モデルです。40言語にわたる高精度な文字起こし、翻訳、音声理解を提供します。このモデルは、文脈に基づく文字起こし、話者属性のある文字起こし、音声翻訳など、さまざまなタスクをサポートしており、多様な音声および音響アプリケーションに適しています。

モデルを見る
共有
モデルを見る
共有

NVIDIA Nemotron 3.5 Transcribeは、34億パラメータ(4.3億アクティブ)を特徴とし、音声エンコーダを組み込んだ高度な自動音声認識(ASR)モデルです。そのアーキテクチャは、Mamba-2–TransformerハイブリッドMixture of Experts言語モデルであり、ASRおよび話者認識のためのParallel Expert Encoderで強化されています。このモデルは、高精度、カスタマイズ、ファインチューニングを目的として設計されており、開発者や研究者にとって強力なツールとなっています。

続きを読む

このモデルは、逐語的および書面形式の文字起こし、文脈に基づく文字起こし、話者属性のある文字起こし、リッチ文字起こし、音声翻訳、言語識別、音声質問応答など、幅広いタスクをサポートしています。40言語に精通しており、ASR、翻訳、多話者ASR、コードスイッチングなどの異なるロケールや能力において、「リーディング」から「サポート」までのさまざまな品質レベルを提供します。

Nemotron 3.5 Transcribeは、NVIDIAハードウェアに最適化されており、最適なパフォーマンスを得るために1× H100 80 GBを必要とします。BF16精度をサポートし、FP8およびNVFP4バリアントも利用可能です。このモデルは、最大1時間の録音を処理でき、コンテキスト長は65,536トークンです。入力には音声(WAV、FLAC、MP3、OGG)およびテキストが含まれ、オプションの単語タイムスタンプ付きでテキスト出力を生成します。

このモデルは、マルチスピーカーASR、スタイルコントロール、英語ASR、長文ASR、マルチリンガルASRなど、さまざまなベンチマークで優れたパフォーマンスを示しています。そのプロンプトガイドは、研究用の文字起こし、キャプション用の読みやすいテキスト、ドメイン特有の語彙の文字起こし、話者の特定、音声の翻訳、音声録音からの質問への回答など、さまざまなユースケースに対して柔軟なオプションを提供します。

NVIDIA Nemotron 3.5 Transcribeは、OpenMDW-1.1の下でライセンスされており、明確な利用条件を保証します。これは、アプリケーション固有の評価とレビューを必要とする音声および音響アプリケーションを構築する開発者や研究者を対象としています。このモデルの強力な機能と広範な言語サポートは、複雑な音声処理および理解タスクに対する多用途なソリューションを提供します。

  • カテゴリーAIモデルとLLM
  • 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, Windows

  • 34億パラメータ(4.3Bアクティブ)および音声エンコーダを搭載

  • Mamba-2–TransformerハイブリッドMixture of Expertsアーキテクチャ

  • BF16、FP8、NVFP4精度をサポート

  • 最大1時間の録音に対して65,536トークンのコンテキスト長

  • 音声およびテキスト入力を処理し、オプションの単語タイムスタンプ付きでテキスト出力を生成

  • 文字起こしおよび翻訳のために40言語をサポート

  • 逐語的および書面形式の文字起こしを実施

  • 文脈に基づく文字起こしおよび話者属性のある文字起こしを提供

  • リッチ文字起こしおよび音声翻訳機能を含む

  • 言語識別および音声質問応答機能を搭載

  • NVIDIA H100 80 GBハードウェア展開に最適化

  • 推測デコーディングのためのネイティブマルチトークン予測(MTP)

  • チャットテンプレートを介した構成可能な推論モード

  • 複数のASRベンチマークで高精度を達成

  • OpenMDW-1.1ライセンス

  1. モデルへのアクセス: Hugging Faceを介してNVIDIA Nemotron 3.5 Transcribeモデルへのアクセスを取得します。

  2. 環境の設定: 必要なNVIDIAハードウェア(例: H100 80 GB)および推論ランタイム(vLLM、Hugging Face Transformers)で環境を構成します。

  3. 入力の準備: WAV、FLAC、MP3、またはOGG形式の音声ファイルおよび/またはテキストプロンプトを提供します。

  4. プロンプトの作成: 逐語的ASR、クリーンな文字起こし、話者属性、または音声翻訳などの特定のタスクに対して推奨されるプロンプト構造を使用します。

  5. リクエストの送信: モデルサーバーにリクエストを送信し、デコーディングモードおよび推論設定を指定します。

  6. 出力の処理: 生成されたテキスト出力を受け取り、文字起こし、翻訳、話者タグ、または音声質問への回答を含む場合があります。

  7. ソフトウェアの統合: サポートされているアーキテクチャおよびオペレーティングシステム(Linux、WSL2経由のWindows)を使用して、アプリケーションにモデルを統合します。

  • 研究用文字起こし
  • キャプションとノート
  • 技術的議論の文字起こし
  • 会議レビューのワークフロー
  • ディクテーションおよび音声インターフェース
  • 多言語メディアのローカリゼーション
  • 音声検索と理解
  • コードスイッチングの文字起こし
  • 構造化された値の回収
  • 音声アシスタントリクエスト

NVIDIA の製品

NVIDIA Nemotron 3.5 Transcribe のレビュー

読み込み中...

NVIDIA Nemotron 3.5 Transcribe に似た人気のAIツール

Nemotron 3.5 ASR

AI モデル

Nemotron 3.5 ASRは、NVIDIAによって開発された多言語ストリーミング自動音声認識モデルで、40言語にわたる文字起こしをサポートします。低遅延で高スループットの高品質な文字起こしを提供し、多様な音響条件に適しています。

AI文字起こしツール
ツールを見る

AI モデル

NVIDIAによって開発された多言語ストリーミング自動音声認識モデルで、40言語にわたる文字起こしをサポートします。低遅延で高スループットの高品質な文字起こしを提供し、多様な音響条件に適しています。Nemotron 3.5 ASRは、NVIDIAによって開発された多言語ストリーミング自動音声認識モデルで、40言語にわたる文字起こしをサポートします。低遅延で高スループットの高品質な文字起こしを提供し、多様な音響条件に適しています。

AI文字起こしツール
AI モデル トップ5を見る

Nemotron 3 ダイアライゼーションは、音声録音における「誰がいつ話したか」を特定するスピーカーダイアライゼーションモデルです。最大8人のスピーカーをサポートし、ストリーミングおよびオフライン推論機能を提供するため、さまざまなアプリケーションに適しています。

AIモデルとLLM
ツールを見る

音声録音における「誰がいつ話したか」を特定するスピーカーダイアライゼーションモデルです。最大8人のスピーカーをサポートし、ストリーミングおよびオフライン推論機能を提供するため、さまざまなアプリケーションに適しています。Nemotron 3 ダイアライゼーションは、音声録音における「誰がいつ話したか」を特定するスピーカーダイアライゼーションモデルです。最大8人のスピーカーをサポートし、ストリーミングおよびオフライン推論機能を提供するため、さまざまなアプリケーションに適しています。

AIモデルとLLM
AI モデル トップ5を見る

NVIDIA Parakeetは、600百万パラメータを持つ自動音声認識モデルで、高品質な英語の文字起こしを目的としており、句読点、大文字、正確なタイムスタンプ予測をサポートしています。

AIモデルとLLM
ツールを見る

600百万パラメータを持つ自動音声認識モデルで、高品質な英語の文字起こしを目的としており、句読点、大文字、正確なタイムスタンプ予測をサポートしています。NVIDIA Parakeetは、600百万パラメータを持つ自動音声認識モデルで、高品質な英語の文字起こしを目的としており、句読点、大文字、正確なタイムスタンプ予測をサポートしています。

AIモデルとLLM
AI モデル トップ5を見る

NVIDIA Nemotron 3 Ultraは、複雑な推論と多言語タスクのために設計された強力なAIモデルです。5500億のパラメータを持ち、長文コンテキスト分析とツール使用に優れており、さまざまな業界での高リスクアプリケーションに最適です。

AIモデルとLLM
ツールを見る

複雑な推論と多言語タスクのために設計された強力なAIモデルです。5500億のパラメータを持ち、長文コンテキスト分析とツール使用に優れており、さまざまな業界での高リスクアプリケーションに最適です。NVIDIA Nemotron 3 Ultraは、複雑な推論と多言語タスクのために設計された強力なAIモデルです。5500億のパラメータを持ち、長文コンテキスト分析とツール使用に優れており、さまざまな業界での高リスクアプリケーションに最適です。

注目AIモデルとLLM
AI モデル トップ5を見る

Whisper Large V3 Turboは、自動音声認識と翻訳のための最先端モデルで、デコーディング層を減らすことで速度を最適化しています。複数の言語をサポートし、堅牢な文字起こし機能を提供します。

AIモデルとLLM
ツールを見る

自動音声認識と翻訳のための最先端モデルで、デコーディング層を減らすことで速度を最適化しています。複数の言語をサポートし、堅牢な文字起こし機能を提供します。Whisper Large V3 Turboは、自動音声認識と翻訳のための最先端モデルで、デコーディング層を減らすことで速度を最適化しています。複数の言語をサポートし、堅牢な文字起こし機能を提供します。

AIモデルとLLM
AI モデル トップ5を見る

NVIDIA Nemotron 3.5 Super VLは、テキスト、画像、動画処理のために設計された大規模言語モデルです。Mamba-2–Transformerハイブリッドアーキテクチャを特徴とし、カスタマイズ、ドメイン適応、フル精度評価に最適です。

AIモデルとLLM

LLMで第16位

ツールを見る

テキスト、画像、動画処理のために設計された大規模言語モデルです。Mamba-2–Transformerハイブリッドアーキテクチャを特徴とし、カスタマイズ、ドメイン適応、フル精度評価に最適です。NVIDIA Nemotron 3.5 Super VLは、テキスト、画像、動画処理のために設計された大規模言語モデルです。Mamba-2–Transformerハイブリッドアーキテクチャを特徴とし、カスタマイズ、ドメイン適応、フル精度評価に最適です。

AIモデルとLLM
LLMで第16位

whisper-large-v3

AI モデル

Whisper-large-v3は、自動音声認識および音声翻訳のための高度なモデルで、500万時間以上のデータで訓練されています。複数の言語においてパフォーマンスが向上しており、AIの開発者や研究者向けに設計されています。

AIモデルとLLM
ツールを見る

AI モデル

自動音声認識および音声翻訳のための高度なモデルで、500万時間以上のデータで訓練されています。複数の言語においてパフォーマンスが向上しており、AIの開発者や研究者向けに設計されています。Whisper-large-v3は、自動音声認識および音声翻訳のための高度なモデルで、500万時間以上のデータで訓練されています。複数の言語においてパフォーマンスが向上しており、AIの開発者や研究者向けに設計されています。

注目AIモデルとLLM
AI モデル トップ5を見る

Mistral Large 3は、企業向けに設計された最先端のAIモデルで、AIアシスタントやエージェントのカスタマイズ、ファインチューニング、展開を可能にします。41Bのアクティブパラメータを持つスパースミクスチャーオブエキスパートアーキテクチャを特徴としており、マルチモーダルおよび多言語アプリケーションにおいて高度な機能を提供します。

AIモデルとLLM
ツールを見る

企業向けに設計された最先端のAIモデルで、AIアシスタントやエージェントのカスタマイズ、ファインチューニング、展開を可能にします。41Bのアクティブパラメータを持つスパースミクスチャーオブエキスパートアーキテクチャを特徴としており、マルチモーダルおよび多言語アプリケーションにおいて高度な機能を提供します。Mistral Large 3は、企業向けに設計された最先端のAIモデルで、AIアシスタントやエージェントのカスタマイズ、ファインチューニング、展開を可能にします。41Bのアクティブパラメータを持つスパースミクスチャーオブエキスパートアーキテクチャを特徴としており、マルチモーダルおよび多言語アプリケーションにおいて高度な機能を提供します。

注目AIモデルとLLM
AI モデル トップ5を見る
1 / 8