で文字起こし NVIDIA Canary
3.5%
WER
4
Languages
45.0x
Speed
CC-BY-4.0
License
について NVIDIA Canary
NVIDIA Canary is a 1B parameter model that excels at English, German, French, and Spanish transcription. Built on the NeMo framework, it uses a FastConformer encoder with a transformer decoder and supports automatic language detection and translation.
Model Info
- ProviderNVIDIA
- Architecture-
- LicenseCC-BY-4.0
- UpdatedMar 2026
よくある質問
STT.aiはNVIDIA CanaryをGPUインフラストラクチャ上にホストしており、自分のハードウェアをプロビジョニングすることなく使用できます。オーディオやビデオをアップロードし、モデルピックアップからNVIDIA Canaryを選択します。
標準ベンチマークでは、NVIDIA Canaryは約3.5%のワードエラー率を達成しています。実際の精度は音声品質、アクセント、言語に依存します。ノイズやアクセントのある録音の場合、数パーセント高いWERを期待してください。
NVIDIA CanaryはSTT.aiのフリープランで動作し、訪問者は600分/月の無料利用が可能である。有料プランではファイル当たりの制限時間が長くなり、プライベート転写、優先順位キューが追加される。
NVIDIA Canaryは、オープンソースライセンスのCC-BY-4.0でリリースされています。NVIDIA Canaryを自分のハードウェア上でセルフホストすることも、私たちのホストバージョンを使用することもできます。どちらも商用利用可能です。
NVIDIA Canary は 4 言語をサポートします。自動検出はほとんどのオーディオに適した言語を選択します。手動で指定することもできます。
NVIDIA CanaryはGPU上で音声を約45.0xのリアルタイムで処理します。1時間の音声ファイルは1分以下で終了します。長いファイルはキューに並び、完了したらメールで通知します。
NVIDIA Canary には 1B パラメータがあります。より大きなモデルはより正確ですが、遅い傾向にあります。STT.ai は GPU 上で NVIDIA Canary をホストしていますので、パラメータ数はクライアント側の性能に影響しません。
NVIDIA CanaryはSTT.aiがサポートするすべてのフォーマットを受け入れます。MP3、WAV、M4A、FLAC、OGG、MP4、MKV、MOV、WebM、AVIなど。出力はTXT、SRT、VTT、DOCX、JSON、PDFです。
はい。スピーカーダイアリゼーションはNVIDIA Canaryと共に実行されます。各スピーカーはラベル付きで、後でエディタで名前を変更できます。
はい。NVIDIA Canary回の実行を管理環境で行います。オーディオはデフォルトで処理され削除され、明示的なオプションなしに訓練に使用されません。プロプランは静止中の転写に対してクライアント側暗号化を追加します。
NVIDIA Canaryと同じオーディオでサポートされている他のモデルを比較するには compare-stt ツールを使用してください。WER、セグメント数、スピーカーラベル、信頼度スコアが並んで表示されます。NVIDIA Canaryと Whisper Large V3 の比較が最もよく行われます。
はい。 /v1/transcribe エンドポイントにモデルパラメータとして"nvidia-canary"を指定してください。PythonとNode.js SDKにはNVIDIA Canaryの例が含まれています。無料のAPIは月間100分の利用が含まれています。
STT.aiのオープンソースページにはプロジェクトのリポと重みがリストされています。ほとんどのプロダクションチームは、GPUの調達、モデルのスワップ、オペレーションを省略するために、私たちのホストバージョンを使用しています。