handy-computer/nemotron-3.5-asr-streaming-0.6b-gguf
nemotron-3.5-asr-streaming-0.6b: transcribe.cpp GGUF GGUF conversions of nvidia/nemotron-3.5-asr-streaming-0.6b(https://huggingface.co/nvidia/nemotron-3.5-asr-streaming-0.6b) for use with transcribe.cpp(https://github.com/handy-computer/transcribe.c...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Ngày
#1 Repository Của Ngày
#1 Repository Của Ngày
🎙️ Nemotron 3.5 ASR: Mô hình chuyển đổi giọng nói thành văn bản đa ngôn ngữ tốc độ cao với hỗ trợ streaming
Bản chuyển đổi GGUF từ mô hình gốc của NVIDIA, tối ưu cho transcribe.cpp — hỗ trợ 32 ngôn ngữ và chạy trên CPU, GPU hoặc bộ nhớ đệm.
Đây là bản dịch GGUF của mô hình nvidia/nemotron-3.5-asr-streaming-0.6b, được phát triển bởi NVIDIA và chuyển đổi để sử dụng với transcribe.cpp. Mô hình sử dụng kiến trúc FastConformer cache-aware kết hợp decoder RNN-T, hỗ trợ chuyển đổi giọng nói thành văn bản đa ngôn ngữ với dấu câu và chữ in hoa tự động.
✨ Điểm nổi bật
- Multilingual: Hỗ trợ 32 ngôn ngữ bao gồm tiếng Anh, Tây Ban Nha, Pháp, Ý, Bồ Đào Nha, Hà Lan, Đức, Thổ Địa, Nga, Arab, Hindi, Nhật, Hàn, Việt, Ucraine, Ba Lan, Thụy Điển, Séc, Na Uy, Đan Mạch, Bungari, Pháp Lan, Croatia, Slovakia, Trung Quốc, Hungary, Romania, Estonia.
- Streaming thời gian thực: Hỗ trợ xử lý âm thanh theo khỏi trực tiếp với
--stream-chunk-ms 1120 --stream-att-right {0,3,6,13}. - Đa dạng hóa độ nhớ: Cung cấp các phiên bản F32, F16, Q8_0, Q6_K, Q5_K_M, Q4_K_M phù hợp với thiết bị di động hoặc máy tính bảng.
- Tự động phát hiện ngôn ngữ: Chế độ tự động phát hiện ngôn ngữ và đưa ra thẻ
<lang-XX>. - Chính xác cao: WER trên FLEURS en đạt 7.88% (Q8_0), trên LibriSpeech test-clean đạt 3.06%.
- Tốc độ xử lý nhanh: RTF lên đến 98 trên M4 Max (Metal), 29 trên CPU.
- Hỗ trợ GPU: Tương thích Vulkan và Metal để tận dụng hiệu năng phần cứng.
- Nhãn thời gian token: Hỗ trợ gán nhãn thời gian cho từng token trong kết quả chuyển đổi.
💡 Vì sao đáng chú ý
Nemotron 3.5 ASR nổi bật nhờ kiến trúc cache-aware FastConformer kết hợp RNN-T, giúp giảm đáng kể độ trễ trong quá trình xử lý âm thanh theo thời gian thực. Khả năng hỗ trợ 32 ngôn ngữ cùng với việc cung cấp nhiều mức độ lượng tử hóa (từ F32 đến Q4_K_M) giúp mô hình linh hoạt triển khai trên nhiều nền tảng phần cứng khác nhau, từ thiết bị di động đến máy tính để bàn mạnh.
Mô hình phù hợp cho các ứng dụng yêu cầu xử lý âm thanh theo thời gian thực như hội thoại trực tuyến, ghi âm cuộc họp, hoặc các hệ thống trợ lý ảo đa ngôn ngữ.
#ASR #SpeechToText #GGUF #transcribephp #Nemotron #StreamingASR #Multilingual #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
Nemotron 3.5 ASR 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 a...
Whisper Whisper is a state-of-the-art model for automatic speech recognition (ASR) and speech translation, proposed in the paper Robust Speech Recognition via Large-Scale Weak Supervision(https://huggingface.co/papers/2212.04356) by Alec Radford et...
Whisper Whisper is a state-of-the-art model for automatic speech recognition (ASR) and speech translation, proposed in the paper Robust Speech Recognition via Large-Scale Weak Supervision(https://huggingface.co/papers/2212.04356) by Alec Radford et...
VibeVoice-ASR !GitHub(https://img.shields.io/badge/GitHub-Repo-black?logo=github)(https://github.com/microsoft/VibeVoice) !Live Playground(https://img.shields.io/badge/Live-Playground-green?logo=gradio)(https://aka.ms/vibevoice-asr) !Technical Repor...
Whisper Whisper is a pre-trained model for automatic speech recognition (ASR) and speech translation. Trained on 680k hours of labelled data, Whisper models demonstrate a strong ability to generalise to many datasets and domains without the need for...
sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic se...
Whisper Whisper is a pre-trained model for automatic speech recognition (ASR) and speech translation. Trained on 680k hours of labelled data, Whisper models demonstrate a strong ability to generalise to many datasets and domains without the need for...
XLM-RoBERTa (base-sized model) XLM-RoBERTa model pre-trained on 2.5TB of filtered CommonCrawl data containing 100 languages. It was introduced in the paper Unsupervised Cross-lingual Representation Learning at Scale(https://arxiv.org/abs/1911.02116)...
Multilingual-E5-large Multilingual E5 Text Embeddings: A Technical Report(https://arxiv.org/pdf/2402.05672). Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder, Furu Wei, arXiv 2024 This model has 24 layers and the embedding size is...