Transkripsi karo NVIDIA Canary
3.5%
WER
4
Basa
45.0x
Kecepatan
CC-BY-4.0
Lisensi
_Tentang NVIDIA Canary
NVIDIA Canary nyaéta model parameter 1B anu saé dina transkripsi basa Inggris, Jerman, Perancis, sareng Spanyol. Diwangun dina kerangka NeMo, éta nganggo enkoder FastConformer sareng dekoder transformator sareng ngadukung deteksi sareng terjemahan basa otomatis.
Informasi Model
- PanyedhiyaNVIDIA
- Arsitektur-
- LisensiCC-BY-4.0
- DiperbaruiMar 2026
Takon-takon sing asring diajukake
STT.ai hosts NVIDIA Canary on our GPU infrastructure so you can use it without provisioning your own hardware — upload audio or video and pick NVIDIA Canary from the model picker.
Dina benchmarks standar, NVIDIA Canary ngahontal kira-kira 3.5% Word Error Rate. Akurasi dunya nyata gumantung kana kualitas audio, accent, jeung basa; pikeun rekaman noisy atawa accented, ngarepkeun sababaraha poin persentase luhur WER.
NVIDIA Canary dijalankeun dina tingkat bébas STT.ai - unggal pengunjung kéngingkeun menit 600 pikeun ngamimitian tanpa biaya. Rencana anu dibayar nambihan wates per file anu langkung lami, transcripts pribadi, sareng prioritas ngagentos.
NVIDIA Canary dikaluarkeun di handapeun CC-BY-4.0, lisénsi sumber terbuka anu permisif. Anjeun tiasa ngahost NVIDIA Canary dina perkakas anjeun atanapi nganggo vérsi anu dihost urang - kaduana tiasa dianggo sacara komersial.
NVIDIA Canary ngadukung 4 basa. Auto-deteksi milih basa anu bener pikeun kabéh audio; anjeun ogé bisa nyatet éta sacara manual pikeun ngaronjatkeun akurasi.
NVIDIA Canary ngaproses audio dina kira-kira 45.0x real-time dina GPU urang. A file audio 1 jam réngsé dina handapeun 1 menit; file leuwih panjang diulit jeung ngalaporkeun ku surél nalika réngsé.
NVIDIA Canary mibanda parameter 1B. Model anu leuwih gedé leuwih akurat tapi leuwih lambat; STT.ai mibanda NVIDIA Canary dina GPU supados jumlah parameter teu mangaruhan kinerja klien.
NVIDIA Canary nampa saben format STT.ai dukungan - MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, lan liya-liyane. Output minangka TXT, SRT, VTT, DOCX, JSON, utawa PDF.
Ya. Diarization speaker jalan bareng jeung NVIDIA Canary pikeun unggal transkripsi — unggal speaker dilabelkeun sarta anjeun bisa ngaganti ngaranna dina penyunting saterusna.
Ya. NVIDIA Canary dijalankeun dina lingkungan anu diurus urang — audio diolah sareng dihapus sacara piawai sareng henteu pernah dianggo pikeun latihan tanpa opt-in eksplisit. Rencana Pro nambahan enkripsi sisi klien pikeun transkripsi nalika istirahat.
Gunakeun alat compare-stt pikeun ngajalankeun NVIDIA Canary ngalawan model séjén anu didukung dina audio anu sami — anjeun bakal ningali WER, jumlah segmen, label panyatur, sarta skor confidence dibarengan-dibarengan. Perbandingan NVIDIA Canary vs Whisper Large V3 nyaéta anu paling umum dijalankeun.
Ya. Nyatakeun "nvidia-canary" minangka parameter model dina titik akhir /v1/transcribe. Python sareng Node.js SDK kalebet conto NVIDIA Canary. Tingkat API gratis kalebet 100 menit / bulan.
Ya. Kusabab NVIDIA Canary dilisensikeun ku CC-BY-4.0, anjeun tiasa ngahost éta nyalira. Halaman sumber terbuka STT.ai nyarankeun repo sareng beurat proyek. Kabéh tim produksi nganggo vérsi anu dihost pikeun ngaleupaskeun GPU procurement, swaps model, sareng ops.