NVIDIA Canary
STT.ai køyrer ikkje denne modellen — denne sida er referanseinformasjon om han.
Transkriber med modellane vi køyrer →
3.5%
WER
4
Språk
45.0x
Fart
CC-BY-4.0
Lisens
Om NVIDIA Canary
NVIDIA Canary er ein 1B-parametermodell som utmerkar seg ved transkripsjon av engelsk, tysk, fransk og spansk. Bygt på NeMo-rammeverket, brukar han ein FastConformer-kodar med ein transformatordekodar og støttar automatisk språkoppdaging og omsetjing.
Modellinformasjon
- TilbydarNVIDIA
- Arkitektur-
- LisensCC-BY-4.0
- OppdatertMar 2026
Ofte stilte spørsmål
NVIDIA Canary er ein tale-til-tekst-modell frå NVIDIA. STT.ai køyrer ikkje NVIDIA Canary for tida — denne sida er referanseinformasjon om modellen. For transkripsjon på STT.ai, tilbyr modellveljaren Whisper-familien (Turbo, Large V3, Medium, Small).
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 er ikkje tilgjengeleg på STT.ai. Det har sine eigne lisensvilkår som styrer korleis du køyrer det sjølv. STT.ai sitt gratisnivå dekkjer Whisper-modellene vi køyrer — 600 minutt til å starta, så ein månadleg gratis oppgradering.
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.