Nvidia, Gerçek Zamanlı Konuşmacı Tanıma için 100M Parametreli Nemotron 3 Diarization Modelini Açık Kaynak Olarak Yayınladı

Nvidia Nemotron 3 Diarization Modeli Sunuldu

Nvidia, konuşmacı diarization (speaker diarization) görevine yönelik yeni bir yapay zeka modeli olan Nemotron 3 Diarization’ı açık kaynak olarak yayınladı. Model, konuşmalarda hangi konuşmacının konuştuğunu belirlemek amacıyla tasarlanmış ve gerçek zamanlı işlem yapabiliyor.

Model Özellikleri ve Yetenekleri

Nemotron 3 Diarization, 100 milyon parametreye sahip bir sinir ağı mimarisiyle tasarlanmış. Model, aynı anda sekiz konuşmacıyı tanımlayabiliyor ve konuşmaları gerçek zamanlı olarak işleyebiliyor. Bu ölçek ve performans profili, model ağırlığı sınırlamak isteyen uygulamalar için kullanışlı bir denge sunuyor.

Uygulama Alanları

Konuşmacı tanıma teknolojisi, çeşitli senaryolarda kullanılabilir:

• Toplantı transkriptleri: Konuşmaların hangi katılımcıya ait olduğunu otomatik olarak işaretleme
• Ses kaydı analizi: Podcast, mülakat ve radyo programlarında konuşmacıları ayrıştırma
• Diyalog sistemleri: Çok kullanıcılı konuşma uygulamalarında konuşmacı hareketini izleme
• Erişilebilirlik: İşitme cihazları ve diğer destekleyici teknolojiler

Açık Kaynak Yaklaşımı

Modelin açık kaynak olarak sunulması, araştırmacılar ve geliştiriciler tarafından doğrudan kullanılmasını ve uyarlanmasını mümkün kılıyor. Bu, Nvidia’nın üretken yapay zeka ekosistemini geniş tabana yaymak stratejisinin bir parçası.

Kaynak: The Decoder