NVIDIA ने नेमोट्रॉन 3.5 ट्रांसक्रिप्ट ओपन-वाइट स्पीच मॉडल: 40 भाषाओं को ट्रांसक्रिप्ट करता है, जिसमें 463,062-Hour Audio Dataset शामिल है।
NVIDIA ने 28 अक्टूबर को नेमोट्रॉन 3.5 ट्रांसक्रिप्ट जारी किया, एक ओपन-वेट स्पीच मॉडल जो बहुभाषी ट्रांसक्रिप्शन, स्पीकर एट्रिब्यूशन, अनुवाद और ऑडियो प्रश्न को एक चेकपॉइंट में जवाब देता है। इसके अलावा, कंपनी ने ग्रेनरी v2 जारी किया, एक खुला भाषण डेटासेट और कराधान पाइपलाइन जिसका सार्वजनिक प्रकटन 48 भाषाओं में ऑडियो के 463,062 घंटे को कवर करता है।
NVIDIA की घोषणा के अनुसार, मॉडल 40 भाषाओं का अनुवाद करता है, उनमें से 31 भाषाओं में या 13 भाषाओं में वक्ताओं का अनुवाद करता है; यह एक घंटे तक रिकॉर्डिंग को संभालता है और आठ वक्ताओं तक लेबल करता है। मॉडल 34 बिलियन-पैरामीटर हाइब्रिड मिश्रण-ऑफ-एक्सपर्ट डेकोडर (30B-A4B) का उपयोग करता है जो लगभग 4.3 बिलियन पैरामीटर प्रति टोकन को सक्रिय करता है, और BF16, FP8 और NVFP4 में जहाज मात्रात्मक वजन।
NVIDIA का कहना है कि मॉडल Hugging Face Open ASR अंग्रेजी लीडरबोर्ड पर ओपन-वेट मॉडल के बीच पहला स्थान है, जिसमें 5.33% औसत शब्द त्रुटि दर है, और 2.8% पर आर्टिफिशियल एनालिसिस स्पीच-टू-टेक्स्ट पर ओपन-वेट मॉडल के बीच पहले संबंध है।
भार वाणिज्यिक या गैर-वाणिज्यिक उपयोग के लिए OpenMDW-1.1 लाइसेंस के तहत जारी किए जाते हैं, और NVIDIA NeMo भाषण, NGC और build.nvidia.com के माध्यम से Hugging Face, GitHub के माध्यम से उपलब्ध हैं। होस्ट किए गए समापन बिंदुओं को बेस्टन, डीपइन्फ्रा और सरलवादकला द्वारा पेश किया जाता है, जिसमें हगिंग फेस स्पेस और मॉडलस्कोप स्टूडियो पर इंटरैक्टिव डेमो शामिल हैं।
रिलीज एक भाषण-विशिष्ट मॉडल है, जो एनवीआईडीआईए के पहले न्यूमोट्रॉन मल्टीमॉडल एजेंट मॉडल से अलग है। भाषण ट्रांसक्रिप्शन सुपर इंटेलिजेंस (SI) अनुप्रयोगों के लिए एक आम बिल्डिंग ब्लॉक है, जिसमें मीटिंग नोट्स, ग्राहक सेवा कॉल और मीडिया कैप्शन शामिल हैं।
स्रोत: GSM · संयुक्त राज्य अमेरिका (अंग्रेज़ी संस्करण · मूल चीनी संस्करण)
फ़ोटो: 图：英伟达位于加利福尼亚州圣克拉拉的总部大楼。CC BY-SA 4.0，经 Wikimedia Commons。 / Photo: NVIDIA headquarters in Santa Clara, California. CC BY-SA 4.0, via Wikimedia Commons.
