nemotron-3.5-asr-streaming-0.6b

h1, h2, h3, h4, h5, h6 { color: #76b900; / NVIDIA green / font-weight: 700; } hr { border: none; border-top: 1px solid #e5e7eb; margin: 2rem 0; } / Improve list spacing / ul, ol { margin-top: 0.5rem; margin-bottom: 0.5rem; } / Badge alignment consistency / img { display: inline; vertical-align: middle; } > [!Uwaga] > Ten model jest wielojęzycznym rozszerzeniem nvidia/nemotron-speech-streaming-en-0.6b, dodającym warunkowanie promptu identyfikatora języka, aby obsługiwać transkrypcję w 40 językach-lokalizacjach z jednego modelu. Nemotron 3.5 ASR to wielojęzyczny, strumieniowy model automatycznego rozpoznawania mowy (ASR) zaprojektowany do dostarczania wysokiej jakości wielojęzycznej transkrypcji zarówno w niskolatencyjnym strumieniowaniu, jak i wsadowych obciążeniach o wysokiej przepustowości. Opracowany przez NVIDIA, ten model o 600M parametrach transkrybuje mowę na tekst z natywnym wsparciem dla interpunkcji i wielkich liter, oraz oferuje elastyczność czasu wykonania z konfigurowalnymi rozmiarami fragmentów, w tym 80ms, 160ms, 320ms, 560ms i 1120ms. Wykorzystując najnowocześniejszą architekturę Cache-Aware FastConformer-RNNT, model eliminuje zbędne nakładające się obliczenia powszechne w tradycyjnym „buforowanym” strumieniowaniu. Pozwala to na przetwarzanie tylko nowych fragmentów audio przy ponownym użyciu buforowanego kontekstu enkodera, znacząco poprawiając efektywność obliczeniową i minimalizując opóźnienie end-to-end bez utraty dokładności. Został wytrenowany na ogromnym zbiorze danych ASR i zaprojektowany do działania w różnych i wymagających warunkach akustycznych.