AI图鉴

AI图鉴首页 › AI 资讯 › NVIDIA 尼莫特龙 3.5 转写和 Granary v2:智能多语种转写您可

NVIDIA 尼莫特龙 3.5 转写和 Granary v2:智能多语种转写您可以提示和适应

来源:HuggingFace · 发布时间:10-28 · 由 AI图鉴每小时自动聚合

本条资讯的摘要暂未整理出来,可点击下方按钮查看原文;本站每小时自动补充中文摘要。

NVIDIA 尼莫特龙 3.5 转写和 Granary v2:智能多语种转写您可以提示和适应

一个多语种转录,扬声器归属,翻译,音频QQA的开放模式,具有顶级领导板结果,外加开放的Granary v2数据管道和微调配方来适应。

笔录可以捕捉到每个口语单词,仍然会留下用户或应用程序想知道是谁的称什么,如何翻译,或者如何格式化特定域的词汇。 多语种电话、节奏快的会议和医疗口述需要不同的产出:翻译、演讲者标签或正确拼写的医疗术语。

NVIDIA 尼莫特龙 3.5 Translax是一个开放的,可快速的模型,将录制的语音变为有用的文本,现在可以在Hugging Face和ModelScope上找到。 它将带来转录,扬声器归属(Diariation),翻译,音频问题回答为一个检查点:它将40种语言转录,将其中31种语言转译为英语或从英语转译为英语,将扬声器归属为13种。 它处理长达1小时的录音,并给最多8名发言者贴标签。 开发者可以用自然语言指导输出,选择其音频处理的地方,并根据域名词汇和口音调整识别。

Transis在Hugging Face Open ASR Leaderboard上的开放量级模型中,在David AI的21种语言对称化领导板上,它运行在单一的NVIDIA GPU上,从DGX Spark到Blackwell数据中心系统。

Granary v2的多语言数据(可在Hugging Face和ModelScope上获得)和可重复使用的曲解管道,连同NeMo Speech 微调工具,将即时控制扩展至培训:开发者可以定义他们需要的书面形式,并根据他们的应用程序遇到的语音调整模型。 在一项医疗案例研究中,微调将被搁置的扬声器的字数误差率相对于最佳速率削减了45.8%.

使用自然语言进行翻译和分析

同一检查站可以根据以下指示,将一个会议录音变为不同的产出:

- “记录和标注每个发言者。”

- “将此音频翻译成英文。”

- “这次会议作出了什么决定?”

在下面的影片中体验一下这个模式的动作,它处理1940年的螺旋球喜剧"他的女孩星期五"(His Girl Friday)的经典场景——这部电影以其快速火力而闻名,对话高度重叠。

尼莫特龙 3.5 转录一个来自他女友星期五(1940年)的场景,并给发言者贴上标签,包括重叠的对话。

对于不熟悉的术语,在训练前先尝试背景。 例如,在保健方面:

用原文转述这个医学讨论。 可能的条件:HbA1c,元素。 仅在音频支持时使用这些术语。 保留标准的医疗拼写和传统写法编号。

模型卡推荐了预设,包括音频问题的推理,加上完整的即时指南和逐项任务矩阵:语言支持因任务而异,音频问题回答用英语训练。 文字层面的时间戳也得到支持。 与任何语音模型一样,抽查姓名,扬声器更改,并回答录音。

从现场课到持久课 Agora,他的实时语音和视频平台在应用中授权直播对话,在课堂演示中使用了单词级别的时间戳:Nemotron 3.5 Trancis将一个录制的班级转换成在重播的同时显示的笔录,这样学生就可以看到什么是称,什么时候。 Agora的博客贯穿了他们是如何构建的。

长板从转录到扬声器归属获胜

在开放量级模型中,Transis领先称;在谁的称上,它是超过两个扬声器-分配基准测试直接。

Hugging Face开放ASR导板。 领导板在公共测试集中以字误率(WER)衡量抄写精度,分为三条轨道:

- 英语:在开放重量型号中以5.33%的平均WER(图1)居首位。

多语种:4.62%是七种语言的WER,在模型卡的开放ASR比较中,在评估的开放量模型中最低。

- 长式:10.98%是WER,也是这一比较中最低的。

图1. 内莫特龙 3.5 Transis在Hugging Face Open ASR Leaderboard上的开放量级模型中排名第一(英文),平均为5.33% WER,不包括API模型。 更低的WER表示较少的抄录错误。

人工分析语音转文本导板。 人工分析独立按照AA-WER将其字错误率指数语音转文本模型排行。 尼莫特龙 3.5 以2.8%的AA-WER在开放量级模型中转换为第一位的关联,其关联的模型有约4B活性参数与24B. 在AA-AgentTalk上,占AA-WER指数50%的被搁置的语音-agent语音设置,Transis评分1.8%WER,对次佳开放量级模型的评分2.3%. 转写其语音编码器与混合的Mamba - Transformer 混合专家语言模型成对,因此其30B参数中只有约4B个是每个符号活动。 这说明人工分析的开放式Pareto 精确度和有效参数的前沿。 在AA的全模图上,它排在几个被广泛使用的专有言论API之前。

图2. 活性参数六分之一的AA精度:Nemotron 3.5 Trancis实现2.80%的AA-WER,使用约4B活性参数。

发言者在各种语文之间的归属和重叠。 S排序前扬声器提示到达带有声学特性的语言模型,因此Transis可以在生成期间标记每个转弯,而不是仅仅依靠后一步将扬声器附加到单词上。

大卫·AI-AAI-ASR-I18N主板。 在David AI的DAI-ASR-I18N综合转录和语音-分配轨道上,Transtics在被评价的开放量级模型中排名第一,总体排名第二。 基准测试的Diarization轨迹上,在超过21种语言时会说话的得分,在测试的14个系统中,它的Diarization误差率最低,略高于NVIDIA专用的Nemotron 3 Diarization模型。

图3. NVIDIA模型在David AI的多语言对位化领导板上占据了前两个斑点:Nemotron 3.5 Translax在总对位化误差率(DER)中位居最低,在21种语言中占18.26%,其次是Nemotron 3 Diarization,占18.38%. DER 测量演讲时间错误;下调更好。

(原始内容存档于2017-09-26). VoiceArena Diarization-Bench. 在VoiceArena的英语全程基准测试上,Transis张贴了14个系统中最小的充电量(cpWER),也降低了最少的词:删除的参考词占8.32%,而中位数约为31%.

图4. NVIDIA模型在VoiceArena的14个系统比较中占据了前两个位置:Nemotron 3.5 Translacy领先32.4% cpWER,其次NVIDIA多对讲机Parakeet与Nemotron 3 Diarization领先34.2%. Diarization-Bench v1涵盖英语的完整会话,重叠的演讲和2-8个演讲人。 cpWER 在匹配扬声器标签后计数单词错误;下值更好。

更多评价。 Ocular AI的Conversion-STT评价将Transis列为顶级开放模式。 Josh Talks的印度之声领导板报导了印度各语种的成果。

从边缘运行到数据中心。 Trancis运行于单NVIDIA GPU上,从Jetson AGX Thor和DGX Spark到布莱克威尔数据中心GPU. 在一台使用NVFP4精度的NVIDIA RTX PRO 6000 Blackwell Server版GPU上,它在三分钟内处理100小时的音频,在高通量时用30秒的剪辑测量。

或用NeMo-Speech.cpp在当地运行。 转录器是为录制的音频而建的,而非实时流传。

专门的录音仍然可以要求修改域名词汇和抄录常规。 Granary v2 和 NeMo Speech 微调的地址,从Trancis的背后数据开始。

Granary v2: Translatic 后面的开放数据校正管道

一个迅速的语音模型需要训练数据,并有明确的格式化目标。 Granary v2是Hugging Face和ModelScope上的Nemotron语音集合的一部分。 由NVIDIA NeMo Curator建造,其可重复使用的管道准备了Nemotron 3.5 Trancis培训中使用的多语种演讲,制作了对齐的语录变体、任务标签和可检查的质量元数据。 公开名单涵盖48种语言的463 062小时和16种源头公司,高于Granary v1的25种语言。 这些数字说明了数据集的释放,而不是Transis的全部训练混合物或其取样权重。

Granary v2为每次录制生成3个笔录表(表1),同样的逐字记录和干净的样式开发者可以从Tranlax中请求,并带有一个提示。 除了抄写外,该管道还制作短音频字幕,代码交换还原借词,语音定位QQA对,背景ASR偏差条款,以及自动质量分数的翻译。

表1. Granary v2 同一语句的培训目标。

管道分为四个可重复使用的阶段:

- 1. 音频准备(Metadata):部分为原始或长式音频,在全程录音中跟踪扬声器,并标记声响事件和语言。 Granary v2 的源头已经分解,因此此版本跳过了这个阶段。

- 2. 转录(ASR):将每种语言通向主语和恢复ASR模型,当主语不能进行幻觉检查时,返回。 人文参考笔录有助于保存信任的拼写,同时添加口语形式和不流利之处。

- 3. Task Label Generation (Text):衍生物的笔录变体,然后检查字符率,幻觉模式,以及模型或人类参考协议。 只有被接受的记录收到背景-ASR术语和翻译。

- 4. HiFieldity(HiFi):过滤出吵闹、剪辑或包含多种扬声器的片段,保留一套较小的高质量录音,用于ASR以外的用途。 对于VoxPopuli数据集,它将欧洲22种语言的354k小时缩短到111k小时。

图6. Granary v2数据校准程序,采用从元数据、ASR和Text阶段的原始音频到培训实例的样本。

开发者可以在自己的录音或经授权的公开公司(public corpora)上运行与雷和NVIDIA Dynamo后端的NeMo Currator管道,也可以在Granary v2公开运单的基础上发展。 运单包括tn raw,itn raw,和tn clean三种笔录表单,上面描述的标签,实体提示,衍生指令对,出处,以及每个记录的质量旗帜。 依创用CC授权使用

适应重要的词汇识别

从一个指定语言,脚本,和笔录格式的开发设置提示开始。 在下文的案例研究中,将英文和拉丁字母命名在即时剪切全基准测试 WER中从30.8%到23.8%. 对于仍然存在的域错误,NeMo Speech 微调工作流程将代表性发言与明确的书面目标对齐。

NeMo Speech Medical ASR案例研究显示,该研究从生成的医学文本和公共医学目录中构建适应数据,然后结合了大约153小时的合成语音,29小时来自Common Voice的重音英语,63小时来自MultiMed的医学录音。

图7 在Eka Care的印度医学演讲基准测试的全套测试中,一个更快速的削减 WER从30.8%到23.8%,微调带来到11.8%,比模型出箱时少约62%的抄写错误。 全套包括用于选择即时检查点和检查站的855个调试片段;以下的预留结果为清洁测试

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(huggingface.co)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 596 款 AI 工具分类导航 · 每日 AI 热门项目与动态