Transcribe with NVIDIA Canary
3.5%
WER
4
Languages
45.0x
Speed
CC-BY-4.0
License
About NVIDIA Canary
Model Info
- ProviderNVIDIA
- Architecture-
- LicenseCC-BY-4.0
- UpdatedMar 2026
Ofte stilte spørsmål
NVIDIA Canary er ein tale-til-tekst-modell frå NVIDIA. STT.ai er vert for NVIDIA Canary på vår GPU-infrastruktur, slik at du kan bruka han utan å ha din eigen maskinvare — last opp lyd eller video og vel NVIDIA Canary frå modellveljaren.
På standard målestokkar oppnår NVIDIA Canary om lag 3.5% ordfeilrate. Nøyaktigheita i verkeleg liv avheng av lydkvalitet, aksent og språk. For støyande eller aksenterte opptak, kan du venta eit par prosentpoeng høgare WER.
NVIDIA Canary køyrer på STT.ai sitt gratisnivå — kvar besøkjar får 600 minutt/månad utan kostnad. Betalte abonnement legg til lengre grense per fil, private transkripsjonar og prioritert kø.
NVIDIA Canary er utgjeve under CC-BY-4.0, ein permissiv open kjeldekode-lisens. Du kan sjølv ha NVIDIA Canary på din eigen maskinvare eller bruke vår vertsversjon — begge er kommersielt brukbare.
NVIDIA Canary støttar 4 språk. Automatisk oppdaging vel det rette språket for dei fleste lydfiler. Du kan òg velja språket manuelt for å få ein liten forbetring av nøyaktigheita.
NVIDIA Canary prosesserer lyd med om lag 45.0x sanntid på grafikkprosessorane våre. Ein 1-timers lydfil er ferdig på under 1 minutt. Lengre filer vert lagt i kø og varsla via e-post når dei er ferdige.
NVIDIA Canary har 1B-parametrar. Større modeller har ein tendens til å vera meir nøyaktige, men tregare. STT.ai er vert for NVIDIA Canary på GPU-en, så parametertalet påverkar ikkje ytinga på klientsida.
NVIDIA Canary godtek alle formata STT.ai støttar — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI og andre. Utdata som TXT, SRT, VTT, DOCX, JSON eller PDF.
Ja. Diarisering av talarar køyrer saman med NVIDIA Canary for kvar transkripsjon — kvar talar er merket og du kan endra namnet på dei i redigeringa etterpå.
Ja. NVIDIA Canary køyrer i vårt administrerte miljø – lyd blir handsama og sletta som standard og blir aldri brukt til opplæring utan eksplisitt samtykke. Pro-planar legg til klientkryptering for avskriftar i ro.
Bruk verktøyet compare-stt for å køyra NVIDIA Canary mot ein annan støtta modell på same lyd. Du vil sjå WER, segmenttal, høgtalarnamn og tiltrupoeng side om side. Samanlikninga NVIDIA Canary vs Whisper Large V3 er den mest brukte.
Ja. Oppgje «nvidia-canary» som modellparameter på /v1/transcribe-endepunktet. Python- og Node.js-SDK-ar inneheld NVIDIA Canary-eksempela. Gratis API-nivå inkluderer 100 minutt/månad.
Ja. Sidan NVIDIA Canary er CC-BY-4.0-lisensiert, kan du sjølv vera vert for det. STT.ai sin open kjeldekode-side viser prosjektarkivet og vektene. Dei fleste produksjonsteam brukar vår vertsversjon for å hoppa over GPU-innkjøp, modellbytte og operasjonar.