DEV Community

Cover image for Nemotron 3.5 Transcribe API: Phiên âm 1 giờ âm thanh chỉ với 12 xu
Sebastian Petrus
Sebastian Petrus

Posted on Originally published at apidog.com

Nemotron 3.5 Transcribe API: Phiên âm 1 giờ âm thanh chỉ với 12 xu

#ai #api #llm #tutorial

Nemotron 3.5 Transcribe API: Phiên âm 1 giờ âm thanh chỉ với 12 xu

Nemotron 3.5 Transcribe API

Việc phiên âm bản ghi âm một giờ bằng API Nemotron 3.5 Transcribe mới của NVIDIA tốn 12 xu. Đó là mức giá của DeepInfra là $0,002 mỗi phút cho mô hình trọng số mở hàng đầu trên Bảng xếp hạng Open ASR của Hugging Face, một mô hình cũng trả về dấu thời gian từng từ, nhãn người nói và ngôn ngữ được phát hiện trong cùng một lần gọi.

Dùng thử Apidog ngay hôm nay

Hướng dẫn này chỉ cách lấy khóa API, gửi yêu cầu đầu tiên, đọc phản hồi, viết câu lệnh cho nhãn người nói và thuật ngữ chuyên ngành, và giữ chi phí có thể dự đoán được. Mọi thứ dưới đây đã được kiểm tra vào ngày 29 tháng 10 năm 2026 dựa trên trang mô hình DeepInfra, danh sách OpenRouter và thẻ mô hình chính thức.

Bạn đang tìm kiếm một lộ trình $0? Đọc cách sử dụng Nemotron 3.5 Transcribe miễn phí.

API Nemotron 3.5 Transcribe mang lại cho bạn những gì

NVIDIA đã phát hành Nemotron 3.5 Transcribe (NVIDIA-Nemotron-3.5-Transcribe-30B-A4B) vào ngày 28 tháng 10 năm 2026. Đây là một mô hình giọng nói trọng số mở với tổng cộng 34B tham số và khoảng 4,3B hoạt động, được xây dựng trên một mô hình ngôn ngữ hỗn hợp chuyên gia kết hợp Mamba-2 và Transformer, với một bộ mã hóa ASR và một bộ mã hóa người nói được gắn thêm.

Từ một điểm cuối, bạn nhận được:

  • Phiên âm bằng 40 ngôn ngữ
  • Tệp dài tối đa một giờ
  • Dấu thời gian từng từ và dấu thời gian phân đoạn
  • Bản phiên âm gán cho người nói với tối đa tám người nói
  • Dịch giọng nói qua 31 ngôn ngữ sang và từ tiếng Anh
  • Gợi ý ngữ cảnh cho tên, sản phẩm và thuật ngữ chuyên ngành
  • Nhận dạng ngôn ngữ

Trên Bảng xếp hạng Open ASR (cập nhật ngày 28 tháng 10 năm 2026), nó đạt trung bình 5,33% WER, đứng thứ 9 trong số 61 mô hình và đứng đầu trong số các mô hình có trọng số công khai. Tám mô hình đứng trên nó là các API thương mại đóng.

Đây là mô hình ngoại tuyến. Hãy gửi tệp đã ghi âm, không phải luồng trực tiếp.

Gọi nó ở đâu và chi phí bao nhiêu

Với các mức giá này, 1.000 giờ âm thanh tốn khoảng $120. Để so sánh, API OpenAI Whisper trước đây tính $0,006 mỗi phút, gấp ba lần giá của DeepInfra, và whisper-large-v3 xếp thứ 41 trên cùng bảng xếp hạng với 7,16% WER.

Ảnh chụp trang mô hình DeepInfra cho NVIDIA-Nemotron-3.5-Transcribe-30B-A4B hiển thị mức giá $0,00200 mỗi phút và huy hiệu Zero retention

Bước 1: lấy khóa API DeepInfra

  1. Tạo tài khoản tại deepinfra.com.
  2. Mở bảng điều khiển và tạo khóa API.
  3. Thêm phương thức thanh toán hoặc tín dụng. Trang mô hình yêu cầu đăng nhập ngay cả đối với bản demo trên trình duyệt.
  4. Xuất khóa trong shell của bạn: 
export DEEPINFRA_API_KEY="your_key_here"
Enter fullscreen mode Exit fullscreen mode

Giữ khóa tránh xa hệ thống kiểm soát mã nguồn. Nếu bạn làm việc thông qua một tác nhân lập trình, hãy đặt nó trong môi trường của tác nhân, không phải trong câu lệnh.

Bước 2: phiên âm tệp đầu tiên của bạn

Điểm cuối suy luận gốc của DeepInfra nhận tải lên nhiều phần với trường audio. Đây là hình dạng yêu cầu chính xác từ trang API của nó:

curl -X POST \
  -H "Authorization: bearer $DEEPINFRA_API_KEY" \
  -F audio=@interview.mp3 \
  'https://api.deepinfra.com/v1/inference/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B'
Enter fullscreen mode Exit fullscreen mode

Mô hình chấp nhận WAV, FLAC, MP3, OGG hoặc bất kỳ định dạng nào giải mã thành PCM đơn kênh 16 kHz. Nếu bạn có tệp M4A hoặc video, hãy chuyển đổi chúng bằng FFmpeg trước:

ffmpeg -i call.m4a -ar 16000 -ac 1 call.wav
Enter fullscreen mode Exit fullscreen mode

Bước 3: đọc phản hồi

DeepInfra ghi lại hình dạng phản hồi này (các giá trị dưới đây là minh họa):

{
  "text": "Hello World",
  "segments": [
    { "id": 0, "start": 0.0, "end": 1.0, "text": "Hello" },
    { "id": 1, "start": 4.0, "end": 5.0, "text": "World" }
  ],
  "language": "en",
  "words": [
    { "start": 0.0, "end": 1.0, "text": "Hello" },
    { "start": 4.0, "end": 5.0, "text": "World" }
  ],
  "duration": 5.0,
  "inference_status": { "status": "succeeded", "runtime_ms": 0, "cost": 0.0 }
}
Enter fullscreen mode Exit fullscreen mode

Mục đích của từng trường:

  • text là bản phiên âm đầy đủ. Lưu trữ trường này.
  • segments cung cấp các đoạn có thời gian. Dùng chúng cho phụ đề (SRT hoặc VTT).
  • words cung cấp thời gian từng từ. Dùng nó để làm nổi bật kiểu karaoke hoặc tìm kiếm nhảy đến giây chính xác.
  • language là mã ngôn ngữ được phát hiện. Kiểm tra nó trong các bài kiểm thử; sai ngôn ngữ là lỗi phổ biến ở các đoạn clip ngắn.
  • inference_status.cost báo cáo chi phí của lần gọi. Ghi lại nó để theo dõi chi tiêu cho mỗi tệp.

Sơ đồ POST nhiều phần đến điểm cuối Nemotron 3.5 Transcribe của DeepInfra và các trường phản hồi text, segments, words và language cùng mục đích sử dụng của từng trường

Bước 4: gọi nó từ Python 

import os
import requests

URL = "https://api.deepinfra.com/v1/inference/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B"

def transcribe(path: str) -> dict:
    with open(path, "rb") as f:
        r = requests.post(
            URL,
            headers={"Authorization": f"bearer {os.environ['DEEPINFRA_API_KEY']}"},
            files={"audio": f},
            timeout=600,
        )
    r.raise_for_status()
    return r.json()

result = transcribe("interview.mp3")
print(result["language"], len(result["words"]), "words")
print(result["text"][:500])
Enter fullscreen mode Exit fullscreen mode

Đặt thời gian chờ dài. Một giờ nói dày đặc có thể tạo ra khoảng 20.000 token đầu ra và thẻ mô hình cảnh báo các tác vụ dài mất thời gian.

DeepInfra cũng liệt kê tab "OpenAI Speech-to-Text" cho mô hình, vì vậy mã SDK OpenAI gọi audio.transcriptions có thể trỏ đến URL cơ sở tương thích OpenAI của DeepInfra. Kiểm tra tab đó để biết URL cơ sở chính xác trước khi chuyển mã sản xuất.

Câu lệnh: nguyên văn, sạch, người nói, thuật ngữ

Điều làm cho Nemotron 3.5 Transcribe khác biệt so với các API ASR cũ là nó nhận hướng dẫn. Các câu lệnh được NVIDIA đề xuất, như được liệt kê trên trang DeepInfra:

Bạn muốn Hướng dẫn
Từ nguyên văn Audio transcription. Language: as spoken. Wording: verbatim, including fillers and repetitions. Formatting: punctuation and capitalization. Output: transcript only.
Văn bản dễ đọc Audio transcription. Language: as spoken. Wording: omit fillers and accidental repetitions; keep the remaining spoken wording unchanged. Formatting: punctuation and capitalization. Output: transcript only.
Từ vựng lĩnh vực Transcribe with punctuation and capitalization. Context terms: <names and terms>.
Ai nói gì Transcribe verbatim, including fillers. ... Start every speaker turn with <spk:0>, <spk:1>, etc. Keep one stable tag per speaker.
Dịch Please translate the given speech to <target language>.

Sử dụng temperature 0 với reasoning tắt cho phiên âm, dịch và nhận dạng ngôn ngữ, và giữ câu lệnh hệ thống trống.

Các thuật ngữ ngữ cảnh mang lại lợi ích. NVIDIA báo cáo WER ContextASR-Bench giảm từ 3,33% không có ngữ cảnh xuống 1,71% với ngữ cảnh chi tiết, và Earnings22 theo ngữ cảnh từ 12,54% xuống 9,58%. Đối với cuộc gọi thu nhập, hãy truyền tên công ty, mã cổ phiếu và tên giám đốc điều hành.

Kiểm tra tab lược đồ đầu vào của DeepInfra để biết trường mang hướng dẫn trên điểm cuối gốc. Trên máy chủ tự lưu trữ, hướng dẫn đi trong tin nhắn trò chuyện bên cạnh âm thanh, như được hiển thị trong hướng dẫn thiết lập cục bộ của chúng tôi.

Sử dụng OpenRouter thay thế

Nếu bạn đã sử dụng OpenRouter cho LLM, bạn có thể giữ một khóa và một hóa đơn. ID mô hình là nvidia/nemotron-3.5-transcribe, giá $0,000033 mỗi giây, với DeepInfra là nhà cung cấp duy nhất được liệt kê vào ngày 29 tháng 10 năm 2026 (thời gian hoạt động 100%, độ trễ khoảng một giây tại thời điểm đó). Sao chép định dạng yêu cầu từ tab API của mô hình trên OpenRouter, vì các điểm cuối âm thanh khác với hoàn thành trò chuyện.

Đánh đổi: OpenRouter thêm một bước nhảy mạng và hiện tại không có chuyển đổi dự phòng nhà cung cấp vì chỉ có một nhà cung cấp phục vụ mô hình.

Giữ chi phí có thể dự đoán

  • Cắt im lặng trước. Bạn trả tiền theo phút âm thanh, không phải theo phút nói. Cắt bỏ khoảng lặng khỏi bản ghi giúp giảm hóa đơn.
  • Hạ kênh và lấy mẫu lại. 16 kHz đơn kênh là những gì mô hình sử dụng; gửi stereo 48 kHz chỉ làm tăng thời gian tải lên.
  • Gộp theo tệp, không theo đoạn. Mô hình xử lý một giờ trong một yêu cầu. Chia tệp thành các đoạn 30 giây sẽ phá vỡ nhãn người nói và ngữ cảnh.
  • Ghi lại inference_status.cost. Tính tổng theo khách hàng hoặc theo công việc.
  • Tự lưu trữ khi khối lượng ổn định. NIM tối ưu của NVIDIA xử lý tối đa 2.238 giây âm thanh mỗi giây trên một RTX PRO 6000 Blackwell. Nếu bạn phiên âm hàng nghìn giờ mỗi tháng, một GPU thuê sẽ tốt hơn giá theo phút. Lưu ý rằng đường dẫn vLLM mã nguồn mở dự kiến sẽ chậm hơn khoảng hai lần so với con số NIM đó.

Để tác nhân lập trình của bạn kiểm thử nó với Apidog CLI

Các API phiên âm thất bại âm thầm: trả về 200 với text trống, một clip tiếng Tây Ban Nha bị phát hiện là tiếng Bồ Đào Nha, hoặc words bị thiếu sau khi nhà cung cấp cập nhật. Thay vì kiểm tra JSON bằng tay, hãy để tác nhân lập trình của bạn viết và chạy các kiểm tra với Apidog CLI.

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted
Enter fullscreen mode Exit fullscreen mode

Sau đó đưa cho tác nhân của bạn một câu lệnh:

In Apidog project <id>, add the DeepInfra endpoint POST
https://api.deepinfra.com/v1/inference/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B
with a multipart "audio" field and a Bearer [REDACTED] from {{DEEPINFRA_API_KEY}}.
Create a test case per file in samples/ (en.mp3, es.mp3, two-speakers.wav) asserting
status 200, non-empty "text", the expected "language", and "words" length > 0.
Run them against the prod environment and report failures with the response body.
Enter fullscreen mode Exit fullscreen mode

Tác nhân đọc lược đồ, xác thực payload, viết các ca kiểm thử và chạy chúng:

apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -r cli,json
Enter fullscreen mode Exit fullscreen mode

Thêm -r junit và cùng lệnh đó trở thành cổng CI. Xem Apidog CLI trong pipeline CI/CD và Apidog CLI trong Claude Code để biết thiết lập đầy đủ.

Câu hỏi thường gặp

Giá API Nemotron 3.5 Transcribe là bao nhiêu? $0,002 mỗi phút trên DeepInfra và $0,000033 mỗi giây trên OpenRouter, tính đến ngày 29 tháng 10 năm 2026. Đó là khoảng $0,12 mỗi giờ âm thanh trên cả hai.

Có khóa API miễn phí không? Chúng tôi không tìm thấy. Mô hình chưa có trên build.nvidia.com. Các lộ trình miễn phí là Space demo của NVIDIA và tự lưu trữ; xem hướng dẫn miễn phí.

Độ dài tệp tối đa là bao nhiêu? Một giờ mỗi yêu cầu, với ngữ cảnh 65.536 token.

API có truyền kết quả không? Không. Đây là mô hình ngoại tuyến trả về bản phiên âm khi tệp hoàn tất.

Những ngôn ngữ nào được hỗ trợ? 40, được xếp hạng theo ba cấp. 13 ngôn ngữ "hàng đầu" bao gồm tiếng Anh, Tây Ban Nha, Pháp, Đức, Ý, Bồ Đào Nha, Hindi, Hàn, Nga và Ba Lan. Tiếng Nhật, Thổ Nhĩ Kỳ và Ukraina là "sẵn sàng sản xuất". Tiếng Quan Thoại và tiếng Ả Rập được "hỗ trợ".

So với các API giọng nói khác thì thế nào? Xem xếp hạng các mô hình chuyển giọng nói thành văn bản mã nguồn mở tốt nhất của chúng tôi và tổng hợp các API chuyển văn bản thành giọng nói và giọng nói thành văn bản hàng đầu trước đó.

Bắt đầu phiên âm

Lấy khóa DeepInfra, gửi một curl với MP3, và bạn sẽ nhận lại văn bản có dấu thời gian, gắn thẻ ngôn ngữ với giá $0,002 một phút. Thêm thuật ngữ ngữ cảnh cho lĩnh vực của bạn, sử dụng câu lệnh người nói cho cuộc họp, và để tác nhân của bạn chạy kiểm tra Apidog trên mỗi bản phát hành để một hồi quy âm thầm không bao giờ được phát hành.

Top comments (0)