NVIDIA Canary
STT.ai આ મોડેલ ચલાવી શકતું નથી - આ પાનું તેની વિશે સંદર્ભ જાણકારી છે.
મોડેલો સાથે ટ્રાન્સક્રિપ્ટ કરો કે જે આપણે ચલાવીએ છીએ →
3.5%
WER
4
ભાષાઓ
45.0x
ઝડપ
CC-BY-4.0
લાઇસન્સ
વિશે NVIDIA Canary
NVIDIA Canary એ 1B પરિમાણ મોડેલ છે કે જે અંગ્રેજી, જર્મન, ફ્રેન્ચ, અને સ્પેનિશ અનુવાદમાં ઉત્કૃષ્ટ છે. NeMo માળખા પર બનાવેલ છે, તે ટ્રાન્સફોર્મર ડિકોડર સાથે FastConformer એનકોડર વાપરે છે અને આપોઆપ ભાષા શોધ અને અનુવાદને આધાર આપે છે.
મોડેલ જાણકારી
- પૂરૂં પાડનારNVIDIA
- આર્કિટેક્ચર-
- લાઇસન્સCC-BY-4.0
- સુધારેલMar 2026
વારંવાર પૂછાતા પ્રશ્નો
NVIDIA Canary એ NVIDIA દ્દારા બોલી-થી-લખાણ મોડેલ છે. STT.ai હાલમાં NVIDIA Canary ચલાવી રહ્યું નથી - આ પાનું મોડેલ વિશે સંદર્ભ જાણકારી છે. STT.ai પર લખાણ બદલવા માટે, મોડેલ પસંદ કરનાર Whisper કુટુંબ (Turbo, Large V3, Medium, Small) પ્રદાન કરે છે.
પ્રમાણભૂત બેન્ચમાર્ક પર, NVIDIA Canary એ 3.5% શબ્દ ભૂલ દરને આસપાસ મેળવે છે. વાસ્તવિક-વિશ્વની ચોકસાઈ ઓડિયો ગુણવત્તા, ઉચ્ચારણ અને ભાષા પર આધારિત છે; ધુમાડાવાળા અથવા ઉચ્ચારણવાળા રેકોર્ડિંગ માટે, થોડા ટકા પોઇન્ટ્સ ઊંચા WER ની અપેક્ષા રાખો.
NVIDIA Canary STT.ai પર ઉપલબ્ધ નથી. તેની પોતાની લાઇસન્સ શરતો તેને તમે જ ચલાવો તે નિયંત્રિત કરે છે. STT.ai ની મુક્ત સ્તરની વિસ્પર મોડેલોને આવરી લે છે જે આપણે ચલાવીએ છીએ - શરૂ કરવા માટે 600 મિનિટ, પછી મહિનાના મુક્ત ટોચ-અપ.
NVIDIA Canary CC-BY-4.0 ની નીચે બહાર પાડવામાં આવે છે, એક પરવાનગી આપતી ઓપન-સોર્સ લાઇસન્સ. તમે તમારા પોતાના હાર્ડવેરમાં NVIDIA Canary ને સ્વયં-હોસ્ટ કરી શકો છો અથવા અમારી હોસ્ટ કરેલ આવૃત્તિનો ઉપયોગ કરી શકો છો - બંને વાણિજ્યિક રીતે ઉપયોગી છે.
NVIDIA Canary 4 ભાષાઓને આધાર આપે છે. આપમેળે-શોધ એ મોટાભાગના ઓડિયો માટે સાચી ભાષા પસંદ કરે છે; તમે તેને નાની ચોકસાઈ માટે જાતે પણ સ્પષ્ટ કરી શકો છો.
NVIDIA Canary ઓડિયો પ્રક્રિયાઓ અમારા GPUs પર 45.0x વાસ્તવિક સમય પર. 1-કલાકની ઓડિયો ફાઈલ 1 મિનિટમાં સમાપ્ત થાય છે; લાંબી ફાઈલો કતારમાં અને જ્યારે પૂર્ણ થાય ત્યારે ઈમેઈલ દ્વારા સૂચિત કરે છે.
NVIDIA Canary પાસે 1B પરિમાણો છે. મોટા મોડેલો વધુ ચોક્કસ હોય છે પરંતુ ધીમા; STT.ai GPU પર NVIDIA Canary યજમાન છે તેથી પરિમાણ ગણતરી તમારી ક્લાયન્ટ-સાઇડ કાર્યક્ષમતા અસર કરતી નથી.
NVIDIA Canary દરેક બંધારણને સ્વીકારે છે કે જે STT.ai આધાર આપે છે — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, અને અન્ય. આઉટપુટ TXT, SRT, VTT, DOCX, JSON, અથવા PDF તરીકે.
હા. સ્પીકર ડેટાબેઝ દરેક અનુવાદ માટે NVIDIA Canary ની સાથે ચાલે છે - દરેક સ્પીકર ને લેબલ કરેલ છે અને તમે પછી સંપાદકમાં તેનું નામ બદલી શકો છો.
હા. NVIDIA Canary અમારા સંચાલિત વાતાવરણમાં ચાલે છે - ઓડિયો મૂળભૂત રીતે પ્રક્રિયા કરેલ છે અને કાઢી નાખવામાં આવે છે અને સ્પષ્ટ રીતે પસંદગી કર્યા વિના તાલીમ માટે ક્યારેય વપરાય નહિં. પ્રો યોજનાઓ અસ્થિર ટ્રાન્સક્રિપ્ટ્સ માટે ક્લાયન્ટ-સાઇડ એનક્રિપ્શન ઉમેરે છે.
NVIDIA Canary ને કોઈપણ અન્ય આધારભૂત મોડેલ સામે એ જ ઓડિયો પર ચલાવવા માટે સરખામણી-stt સાધનનો ઉપયોગ કરો - તમે WER, સેગમેન્ટ ગણતરી, સ્પીકર લેબલ્સ, અને વિશ્વાસ સ્કોર બાજુ-બે-બાજુ જોશો. NVIDIA Canary વિ Whisper Large V3 સરખામણી સૌથી સામાન્ય રીતે ચલાવે છે.
હા. /v1/transcribe અંતિમબિંદુ પર મોડેલ પરિમાણ તરીકે "nvidia-canary" ને સ્પષ્ટ કરો. Python અને Node.js SDKs NVIDIA Canary ઉદાહરણો સમાવે છે. મુક્ત API સ્તરમાં 100 મિનિટ/મહિના સમાવે છે.
હા. કારણ કે NVIDIA Canary એ CC-BY-4.0-લાઇસન્સ થયેલ છે, તમે તેને સ્વયં-હોસ્ટ કરી શકો છો. STT.ai નું ઓપન-સોર્સ પાનું પ્રોજેક્ટ રેપો અને વજનોની યાદી કરે છે. મોટાભાગના ઉત્પાદન ટીમો GPU ખરીદી, મોડેલ સ્વેપ અને ઓપસને છોડવા માટે અમારી યજમાન આવૃત્તિ વાપરે છે.