Transkribatu honekin NVIDIA Parakeet
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.
Onartutako hizkuntzak NVIDIA Parakeet
Modeloaren informazioa
- HornitzaileaNVIDIA
- Arkitektura-
- LizentziaCC-BY-4.0
- EguneratutaMar 2026
Maiz egiten diren galderak
NVIDIA Parakeet NVIDIAren hizketa-testu modelo bat da. STT.aik NVIDIA Parakeet gure GPU azpiegituran ostatzen du, zure hardwarea hornitu gabe erabil dezakezu, audioa edo bideoa igo eta NVIDIA Parakeet aukeratu modelo-hautatzailean.
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 STT.airen doako mailan exekutatzen da — bisitari bakoitzak 600 minutuko hasiera-denbora du, kosturik gabe. Ordainpeko planek fitxategiko muga luzeagoak gehitzen dituzte, transkribapen pribatuak eta lehentasun-ilara.
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.