Nemo3-ASR-Streaming API

مدل Nemo3-ASR-Streaming چیست؟

برای استفاده از Nemo3-ASR-Streaming در سرورنت، شناسهٔ عمومی di-nvidianemo3-asr-streaming-acefc62ee1 را ارسال کنید. درگاه با این شناسه مسیر تنظیم‌شده را انتخاب می‌کند؛ سازندهٔ مدل nvidia است.

کاربردهای Nemo3-ASR-Streaming

• بررسی کنید Nemo3-ASR-Streaming گفتار تولید می‌کند یا صوت را به متن تبدیل می‌کند.
• کیفیت تلفظ یا رونویسی را با نمونهٔ واقعی ارزیابی کنید.
• مدت صوت، قالب خروجی و صداها یا زبان‌های موردنیاز برنامه را بررسی کنید.

معرفی مدل

توضیح اصلی کاتالوگ به زبان انگلیسی است و خود مدل را معرفی می‌کند؛ محدودیت و وضعیت دسترسی همین صفحه، قرارداد استفاده از درگاه را مشخص می‌کند.

Nemotron Speech Streaming EN 0.6B is NVIDIA's 600M-parameter cache-aware FastConformer-RNNT model for low-latency English speech recognition. It transcribes audio as it arrives, with native punctuation and capitalization, by reusing cached encoder context instead of recomputing overlapping windows. DeepInfra serves it at 560 ms lookahead over a realtime WebSocket API compatible with OpenAI Realtime transcription, batching many concurrent streams on each GPU, for live captioning, voice agents and real-time speech-to-text.

طراحی اتصال به مدل

اجرای صوت به محدودیت صریح متن یا فایل و مسیر اختصاصی تأییدشده نیاز دارد. پس از ارائه، از مسیر مستند استفاده کنید؛ درخواست چت متنی کار صوتی انجام نمی‌دهد.

ورودی‌ها و محدودیت‌های سرویس

حد نویسه، مدت و تولید در مدل‌های صوت متفاوت است. شرطی‌سازی صدا و صوت بارگذاری‌شده ممکن است مصرف اضافه داشته باشند. زبان و صدای مجاز باید از قرارداد تأییدشدهٔ مدل گرفته شوند.

تصویر، صوت، ویدئو و سرویس‌های اختصاصی ممکن است واحدهای هزینهٔ متفاوتی داشته باشند. تعرفهٔ توکن جایگزین معتبر آن‌ها نیست. فروش پس از تأیید مسیر اجرا و سقف قابل‌اندازه‌گیری مصرف باز می‌شود.

مقایسه با مدل‌های همین کاربرد