नवीडिया का ओपन नेमोट्रॉन 3.5 ट्रांसक्राइब ट्रांसक्रिप्शन, अनुवाद और वक्ता पहचान को जोड़ता है
decoder ·
Nvidia ने Nemotron 3.5 Transcribe जारी किया है, जो एक ओपन स्पीच मॉडल है और ट्रांसक्रिप्शन, अनुवाद और वक्ता पहचान को एक ही सिस्टम में एकीकृत करता है। यह मॉडल ट्रांसक्रिप्शन के लिए 40 भाषाओं तक का समर्थन करता है और कई वक्ताओं वाले एक घंटे तक के ऑडियो फ़ाइलों को संभाल सकता है। हालांकि इसमें 30 अरब पैरामीटर हैं, लेकिन प्रति चरण केवल 4 अरब सक्रिय होते हैं, जिससे यह एकल GPU पर कुशलता से चल पाता है। यह Hugging Face के इंग्लिश ओपन ASR लीडरबोर्ड और VoiceArena की वक्ता अट्रिब्यूशन टेस्ट सहित कई बेंचमार्क्स पर शीर्ष स्थान हासिल करता है। मॉडल के साथ, Nvidia ने Granary v2 पेश किया, जो 48 भाषाओं में 844,000 घंटे के ऑडियो का डेटासेट है। कंपनी ने विशेष क्षेत्रों में मॉडल को फाइन-ट्यून करने के लिए उपकरण भी प्रदान किए हैं, जिसने चिकित्सा संदर्भों में महत्वपूर्ण सटीकता सुधार दिखाए हैं। जबकि बेस मॉडल मजबूत प्रदर्शन प्रदान करता है, उपयोगकर्ताओं को आउटपुट की स्पॉट-चेकिंग करने और यह नोट करने की सलाह दी जाती है कि रियल-टाइम प्रोसेसिंग का समर्थन नहीं किया जाता है।
decoder