Sakhanda Wire
NVDA $152.18 -2.54% MSFT $505.66 -2.38% GOOGL $279.68 -1.43% META $617.65 -1.40% AMZN $256.02 -0.67%
← Към новините

Nvidia пусна безплатен модел за разпознаване на говорители в реално време

Nvidia пусна Nemotron 3 Diarization — модел с изкуствен интелект, който определя кой участник говори във всеки момент от разговора. Той разполага с около 100 милиона параметъра, а теглата му са свободно достъпни. Моделът различава до осем говорители и засича едновременно говорене от няколко души. Повече участници, силен фонов шум и реверберация водят до по-висок процент грешки.

Системата работи както със записи, така и с аудио на живо. В комбинация със система за разпознаване на реч като Parakeet тя може да създава транскрипции с означения на говорителите, но те са анонимни, например „speaker_2“. Аудиобуферът има четири настройки — от 30,4 до 0,32 секунди. По-кратките буфери обикновено понижават точността.

В Diarization Benchmark v1 на VoiceArena Nemotron 3 постига процент грешки при диаризацията от 14,7%, пред 19,3% за следващата система. Тестът отчита припокриваща се реч и дори малки разминавания при смяната на говорителя. При буфер от 1,04 секунди моделът намалява грешките средно с 41% спрямо Streaming Sortformer в осем тестови сценария.

Текстът е изготвен от ИИ на Sakhanda Wire по материал на The Decoder. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.

Първоначално публикувано от The Decoder на

Прочетете оригинала в The Decoder ↗

Репортажът и изображението принадлежат на The Decoder и са посочени по-горе с връзка към оригинала; текстът на тази страница е собствено изложение на Sakhanda Wire.

← Към новините

Още новини

Всички последни новини