Transkribatu honekin NVIDIA Canary
3.5%
WER
4
Hizkuntzak
45.0x
Abiadura
CC-BY-4.0
Lizentzia
Honi buruz NVIDIA Canary
NVIDIA Canary 1B parametrodun modelo bat da, ingelesa, alemana, frantsesa eta gaztelania transkripzioan bikain dabilen modeloa. NeMo markoan eraikia, FastConformer kodetzailea erabiltzen du transformadore dekodetzaile batekin eta hizkuntzaren detekzio eta itzulpen automatikoa onartzen du.
Onartutako hizkuntzak NVIDIA Canary
Modeloaren informazioa
- HornitzaileaNVIDIA
- Arkitektura-
- LizentziaCC-BY-4.0
- EguneratutaMar 2026
Maiz egiten diren galderak
NVIDIA Canary NVIDIAren hizketa-testu modelo bat da. STT.aik NVIDIA Canary gure GPU azpiegituran ostatzen du, zure hardwarea hornitu gabe erabil dezakezu, audioa edo bideoa igo eta NVIDIA Canary aukeratu modelo-hautatzailean.
Erreferentzia estandarretan, NVIDIA Canaryk %3.5 inguruko hitzen errore-tasa lortzen du. Benetako zehaztasuna audio-kalitatearen, azentuaren eta hizkuntzaren araberakoa da; grabazio zaratatsu edo azentudunetarako, WER ehuneko puntu batzuk handiagoa espero daiteke.
NVIDIA Canary STT.airen doako mailan exekutatzen da — bisitari bakoitzak 600 minutuko hasiera-denbora du, kosturik gabe. Ordainpeko planek fitxategiko muga luzeagoak gehitzen dituzte, transkribapen pribatuak eta lehentasun-ilara.
NVIDIA Canary CC-BY-4.0 lizentziapean argitaratzen da, kode irekiko lizentzia permisiboa. Zure hardwarean NVIDIA Canary ostatatu dezakezu edo gure ostatatutako bertsioa erabili — biak erabil daitezke merkataritzan.
NVIDIA Canaryk 4 hizkuntza onartzen ditu. Auto-detekzioak hizkuntza egokia hautatzen du audio gehienentzat; eskuz ere zehaztu dezakezu zehaztasun txikiagoa lortzeko.
NVIDIA Canary-k audioa 45.0x denbora errealean prozesatzen du gure GPUetan. Ordu bateko audio-fitxategi bat 1 minututan amaitzen da; fitxategi luzeagoak ilaran jarri eta e-postaz jakinarazi egiten dira amaitzen direnean.
NVIDIA Canary-k 1B parametro ditu. Modelo handiagoak zehatzagoak izaten dira, baina motelagoak; STT.ai-k NVIDIA Canary GPUan gordetzen du, beraz parametroen kopuruak ez du eraginik izango bezeroaren errendimenduan.
NVIDIA Canaryek STT.aik onartzen dituen formatu guztiak onartzen ditu: MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI eta beste batzuk. Irteera TXT, SRT, VTT, DOCX, JSON edo PDF gisa.
Bai. Hiztun-diarizazioa NVIDIA Canaryrekin batera exekutatzen da transkribapen bakoitzean — hiztun bakoitza etiketatuta dago eta gero editorean izena aldatu ahal izango duzu.
Bai. NVIDIA Canary gure kudeatutako ingurunean exekutatzen da — audioa lehenespenez prozesatu eta ezabatu egiten da, eta ez da inoiz entrenamendurako erabiltzen, aldez aurretik aukeratu gabe. Pro planek bezeroaren aldeko enkriptatzea gehitzen dute transkribapen geldituetan.
Erabili compare-stt tresna NVIDIA Canary audio beraren beste edozein onartutako modeloren aurka exekutatzeko — WER, segmentu-kopurua, bozgorailuen etiketak eta konfiantza-puntuak aldi berean ikusiko dituzu. NVIDIA Canary eta Whisper Large V3 konparaketa da gehien erabiltzen dena.
Bai. Zehaztu "nvidia-canary" modeloaren parametro gisa /v1/transcribe amaierako puntuan. Python eta Node.js SDKek NVIDIA Canary adibidea dute. API doako maila 100 minutukoa da hilean.
Bai. NVIDIA Canary CC-BY-4.0 lizentziaduna denez, zeure burua ostatatu dezakezu. STT.airen kode irekiko orrialdean proiektuaren errepositorioa eta pisuak zerrendatzen dira. Produkzio-talde gehienek gure ostatatutako bertsioa erabiltzen dute GPU-ren erosketak, modeloen trukaketak eta operazioak saltatzeko.