🚀 معرفی مدل جدید Gemini 3.5 Transcribe
گوگل از مدل‌های جدید خود برای تبدیل گفتار به متن با نرخ خطای بسیار پایین (WER) رونمایی کرد. این فناوری در دو نسخه عرضه شده است که هر کدام برای نیازهای متفاوتی بهینه‌سازی شده‌اند. جزئیات، زمینه و نکات تکمیلی این مطلب در نسخه کامل مطلب با عمق بیشتری آمده است.
مدل
مهم‌ترین نکات درباره این مدل‌ها:
- در انتخاب نسخه دقت کنید؛ قابلیت استریمینگ با تأخیر کم و شناسایی گوینده (Diarization) در این مدل‌ها همزمان در دسترس نیست.
- حالت هوشمند (Smart mode) امکان ترکیب با تایم‌استمپ یا شناسایی گوینده را ندارد و برای خلاصه و متن دقیق باید دو درخواست مجزا ارسال شود.
- عملکرد مدل در حالت دسته‌ای (Batch) نرخ خطای ۲.۶ درصد را ثبت کرده و نسبت به مدل Chirp 3 حدود ۷۰ درصد سریع‌تر نهایی‌سازی می‌شود.
- پشتیبانی از بیش از ۸۵ زبان زنده دنیا با هزینه‌ای رقابتی.
برای بررسی تحلیل کامل و جزئیات فنی می‌توانید به منبع اصلی مراجعه کنید.
#Gemini_3_5_Transcribe #Diarization
گوگل از مدل‌های جدید خود برای تبدیل گفتار به متن با نرخ خطای بسیار پایین (WER) رونمایی کرد. این فناوری در دو نسخه عرضه شده است که هر کدام برای نیازهای متفاوتی بهینه‌سازی شده‌اند. جزئیات، زمینه و نکات تکمیلی این مطلب در نسخه کامل مطلب با عمق بیشتری آمده است.
مدل
gemini-3.5-transcribe-live برای استریمینگ آنی و زیر یک ثانیه از طریق WebSockets طراحی شده است، در حالی که مدل gemini-3.5-transcribe برای پردازش فایل‌های ضبط‌شده با قابلیت شناسایی گوینده و واژگان تخصصی بهینه شده است.مهم‌ترین نکات درباره این مدل‌ها:
- در انتخاب نسخه دقت کنید؛ قابلیت استریمینگ با تأخیر کم و شناسایی گوینده (Diarization) در این مدل‌ها همزمان در دسترس نیست.
- حالت هوشمند (Smart mode) امکان ترکیب با تایم‌استمپ یا شناسایی گوینده را ندارد و برای خلاصه و متن دقیق باید دو درخواست مجزا ارسال شود.
- عملکرد مدل در حالت دسته‌ای (Batch) نرخ خطای ۲.۶ درصد را ثبت کرده و نسبت به مدل Chirp 3 حدود ۷۰ درصد سریع‌تر نهایی‌سازی می‌شود.
- پشتیبانی از بیش از ۸۵ زبان زنده دنیا با هزینه‌ای رقابتی.
برای بررسی تحلیل کامل و جزئیات فنی می‌توانید به منبع اصلی مراجعه کنید.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Gemini_3_5_Transcribe #Diarization
❤2
🚀 معرفی مدل Nemotron-3 برای تشخیص گوینده
ان‌ویدیا مدل جدید Nemotron-3 Diarization را منتشر کرد؛ مدلی با ۱۰۰ میلیون پارامتر که در تشخیص «چه کسی، چه زمانی صحبت کرده» تخصص دارد. این مدل حتی زمانی که صداها با هم تداخل دارند، می‌تواند تا ۸ گوینده را به‌صورت همزمان و بلادرنگ ردیابی کند. برای مطالعه جزئیات بیشتر، نسخه کامل مطلب در سایت را ببینید.
مهم‌ترین ویژگی‌های این مدل عبارتند از:
- دقت بالا: ثبت نرخ خطای ۱۴.۷۲٪ در بنچمارک Diarization-Bench.
- سرعت بی‌نظیر: پشتیبانی از پردازش جریان صوتی با زمان پاسخ بسیار پایین (تا ۰.۳۲ ثانیه).
- مجوز آزاد: عرضه تحت لایسنس OpenMDW-1.1 با امکان استفاده تجاری.
- بهینه‌سازی: اجرای بهینه روی پردازنده‌های گرافیکی NVIDIA در بستر NeMo.
شما می‌توانید برای بررسی عملکرد مدل، از دموی آنلاین آن استفاده کنید یا جزئیات فنی بیشتر را در وبلاگ رسمی NVIDIA مطالعه کنید.
#Nemotron_3_Diarization #Diarization_Bench
ان‌ویدیا مدل جدید Nemotron-3 Diarization را منتشر کرد؛ مدلی با ۱۰۰ میلیون پارامتر که در تشخیص «چه کسی، چه زمانی صحبت کرده» تخصص دارد. این مدل حتی زمانی که صداها با هم تداخل دارند، می‌تواند تا ۸ گوینده را به‌صورت همزمان و بلادرنگ ردیابی کند. برای مطالعه جزئیات بیشتر، نسخه کامل مطلب در سایت را ببینید.
مهم‌ترین ویژگی‌های این مدل عبارتند از:
- دقت بالا: ثبت نرخ خطای ۱۴.۷۲٪ در بنچمارک Diarization-Bench.
- سرعت بی‌نظیر: پشتیبانی از پردازش جریان صوتی با زمان پاسخ بسیار پایین (تا ۰.۳۲ ثانیه).
- مجوز آزاد: عرضه تحت لایسنس OpenMDW-1.1 با امکان استفاده تجاری.
- بهینه‌سازی: اجرای بهینه روی پردازنده‌های گرافیکی NVIDIA در بستر NeMo.
شما می‌توانید برای بررسی عملکرد مدل، از دموی آنلاین آن استفاده کنید یا جزئیات فنی بیشتر را در وبلاگ رسمی NVIDIA مطالعه کنید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Nemotron_3_Diarization #Diarization_Bench
❤2