NVIDIA Parakeet
STT.ai ez da modelo hau exekutatzen, orrialde hau bere informazio erreferentzia da.
Transkribatu exekutatzen ditugun ereduekin →
3.0%
WER
1
Hizkuntzak
55.0x
Abiadura
CC-BY-4.0
Lizentzia
Honi buruz NVIDIA Parakeet
NVIDIA Parakeet TDT 1.1B, FastConformer arkitektura eta Token-and-Duration Transducer (TDT) erabiltzen duen ingelesezko ASR modelo modernoa da. Ingelesezko benchmark estandarretan ia giza zehaztasuna lortzen du eta NVIDIA GPUetarako oso optimizatua dago.
Honek onartzen dituen hizkuntzak NVIDIA Parakeet
Modeloaren informazioa
- HornitzaileaNVIDIA
- Arkitektura-
- LizentziaCC-BY-4.0
- EguneratutaMar 2026
Maiz egiten diren galderak
NVIDIA Parakeet NVIDIAren hizketa-testurako modelo bat da. STT.aik ez du NVIDIA Parakeet exekutatzen — orri hau ereduari buruzko erreferentziazko informazioa da. STT.ain transkribatzeko, modelo-hautatzaileak Whisper familia eskaintzen du (Turbo, Large V3, Medium, Small).
Erreferentzia estandarretan, NVIDIA Parakeetk %3.0 inguruko hitzen errore-tasa lortzen du. Benetako zehaztasuna audio-kalitatearen, azentuaren eta hizkuntzaren araberakoa da; grabazio zaratatsu edo azentudunetarako, WER ehuneko puntu batzuk handiagoa espero daiteke.
NVIDIA Parakeet ez dago eskuragarri STT.ain. Bere lizentzia baldintzak agintzen du zuk exekutatzea. STT.airen doako maila Whisper modeloak exekutatzen ditugunak estaltzen ditu - 600 minutu hasteko, eta gero hilean doako gehitu bat.
NVIDIA Parakeet CC-BY-4.0 lizentziapean argitaratzen da, kode irekiko lizentzia permisiboa. Zure hardwarean NVIDIA Parakeet ostatatu dezakezu edo gure ostatatutako bertsioa erabili — biak erabil daitezke merkataritzan.
NVIDIA Parakeetk 1 hizkuntza onartzen ditu. Auto-detekzioak hizkuntza egokia hautatzen du audio gehienentzat; eskuz ere zehaztu dezakezu zehaztasun txikiagoa lortzeko.
NVIDIA Parakeet-k audioa 55.0x denbora errealean prozesatzen du gure GPUetan. Ordu bateko audio-fitxategi bat 1 minututan amaitzen da; fitxategi luzeagoak ilaran jarri eta e-postaz jakinarazi egiten dira amaitzen direnean.
NVIDIA Parakeet-k 1.1B parametro ditu. Modelo handiagoak zehatzagoak izaten dira, baina motelagoak; STT.ai-k NVIDIA Parakeet GPUan gordetzen du, beraz parametroen kopuruak ez du eraginik izango bezeroaren errendimenduan.
NVIDIA Parakeetek STT.aik onartzen dituen formatu guztiak onartzen ditu: MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI eta beste batzuk. Irteera TXT, SRT, VTT, DOCX, JSON edo PDF gisa.
Bai. Hiztun-diarizazioa NVIDIA Parakeetrekin batera exekutatzen da transkribapen bakoitzean — hiztun bakoitza etiketatuta dago eta gero editorean izena aldatu ahal izango duzu.
Bai. NVIDIA Parakeet gure kudeatutako ingurunean exekutatzen da — audioa lehenespenez prozesatu eta ezabatu egiten da, eta ez da inoiz entrenamendurako erabiltzen, aldez aurretik aukeratu gabe. Pro planek bezeroaren aldeko enkriptatzea gehitzen dute transkribapen geldituetan.
Erabili compare-stt tresna NVIDIA Parakeet audio beraren beste edozein onartutako modeloren aurka exekutatzeko — WER, segmentu-kopurua, bozgorailuen etiketak eta konfiantza-puntuak aldi berean ikusiko dituzu. NVIDIA Parakeet eta Whisper Large V3 konparaketa da gehien erabiltzen dena.
Bai. Zehaztu "nvidia-parakeet" modeloaren parametro gisa /v1/transcribe amaierako puntuan. Python eta Node.js SDKek NVIDIA Parakeet adibidea dute. API doako maila 100 minutukoa da hilean.
Bai. NVIDIA Parakeet CC-BY-4.0 lizentziaduna denez, zeure burua ostatatu dezakezu. STT.airen kode irekiko orrialdean proiektuaren errepositorioa eta pisuak zerrendatzen dira. Produkzio-talde gehienek gure ostatatutako bertsioa erabiltzen dute GPU-ren erosketak, modeloen trukaketak eta operazioak saltatzeko.