NVIDIA Canary
STT.ai ora ngoperasikaké model iki - kaca iki minangka referensi informasi babagan iki.
Transkrip karo model kang kita lakoni →
3.5%
WER
4
Basa
45.0x
Kecepatan
CC-BY-4.0
Lisénsi
Ngendi NVIDIA Canary
NVIDIA Canary iku modél parameter 1B kang apik ing transkripsi basa Inggris, Jerman, Prancis, lan Spanyol. Dibangun ing framework NeMo, iku nggunakake encoder FastConformer karo decoder transformator lan nyokong deteksi basa lan terjemahan otomatis.
Informasi Model
- PenyiarNVIDIA
- Arsitektur-
- LisénsiCC-BY-4.0
- DioptimalakeMar 2026
Pitakon kang asring diajukake
NVIDIA Canary ya iku modél swara-ka-teks déning NVIDIA. STT.ai saiki ora ngoperasikaké NVIDIA Canary — kaca iki minangka informasi referensi bab modél. Kanggo transkripsi ing STT.ai, pemilih modél nawakake kulawarga Whisper (Turbo, Large V3, Medium, Small).
Ing standar benchmarks, NVIDIA Canary ngrampungake sekitar 3.5% Word Error Rate. Real-world akurasi gumantung ing kualitas audio, accent, lan basa; kanggo noisey utawa accented rekaman, ngarepake sawetara persentase poin luwih dhuwur WER.
NVIDIA Canary ora ana ing STT.ai. Lisensiné dhewe-dhewe ngontrol cara ngoperasikaké. Titik gratis STT.ai nglindhungi model Whisper sing kita lakoni - 600 menit kanggo miwiti, banjur tambahan gratis saben wulan.
NVIDIA Canary dirilis ing ngisor CC-BY-4.0, lisensi sumber terbuka sing permisif. Sampeyan bisa nginstal NVIDIA Canary ing piranti keras dhewe utawa nggunakake versi sing dihost - loro-loroné bisa digunakake kanthi komersial.
NVIDIA Canary nyokong 4 basa. Auto-deteksi milih basa kang bener kanggo akèh audio; sampeyan uga bisa nyetel kanthi manual kanggo nambah akurasi.
NVIDIA Canary ngproses audio ing kira-kira 45.0x real-time ing GPU kita. Fail audio 1 jam rampung ing ngisor 1 menit; file luwih dawa ing gulungan lan dilaporake liwat email nalika rampung.
NVIDIA Canary duwé parameter 1B. Model kang luwih gedhé luwih akurat nanging luwih lambat; STT.ai duwé host NVIDIA Canary ing GPU supaya penghitungan parameter ora ngrusak kinerja klien.
NVIDIA Canary nampa saben format STT.ai nyokong - MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, lan liyane. Output minangka TXT, SRT, VTT, DOCX, JSON, utawa PDF.
NVIDIA Canary diarization speakers dijalanaken kaliyan saben transkripsi - saben speaker dipunlabel lan sampeyan saged mènèhi jeneng anyar ing editor.
Ya. NVIDIA Canary dijalanaké ing lingkungan sing diurus — audio diproses lan dipasak kanthi pigura lan ora pernah digunakake kanggo latihan tanpa opt-in eksplisit. Rencana Pro nambah enkripsi klien-sisi kanggo transkripsi nalika ora aktif.
Gunakaké alat compare-stt kanggo nglakokaké NVIDIA Canary karo modél liya kang didhukung ing audio kang padha — sampeyan bakal ndeleng WER, penghitung segmen, label speaker, lan skor confidence side-by-side. Perbandingan NVIDIA Canary vs Whisper Large V3 iku sing paling umum dilakokaké.
Ya. Nyathet "nvidia-canary" minangka parameter model ing /v1/transcribe endpoint. Python lan Node.js SDKs ngemot conto NVIDIA Canary. Lapisan API gratis ngemot 100 menit/wulan.
Ya. Amargi NVIDIA Canary dipunlisensi CC-BY-4.0, sampeyan saged nghostaken piyambakipun. Lampiran sumber-bukah STT.ai nyathet repo proyèk lan bobot. Kathah tim produksi ingkang ngginakaken versi ingkang dipunhostaken kanggé nglewati GPU procurement, model swaps, lan ops.