NeMo

O nástroji

NeMo je open-source vývojářský toolkit od NVIDIA pro řeč, audio a multimodální jazykové modely, s cestou od experimentování až po produkční nasazení. Nabízí převod řeči na text (ASR) s podporou 14+ jazyků, streamováním a časovými značkami, syntézu řeči z textu (TTS) s vícejazyčnou a vícehlasou podporou a řízenou prozódií, identifikaci mluvčích (diarizace, rozpoznávání a verifikace) a zpracování audia (zlepšení kvality, restaurace, separace signálů). Toolkit poskytuje předtrénované modely na NGC a HuggingFace Hub, modulární architekturu neuronových modulů, škálovatelný trénink na více GPU/uzlech přes PyTorch Lightning s podporou mixed-precision a konfiguraci pomocí YAML souborů s Hydra. Instalace probíhá přes pip balíček „nemo-toolkit“, k dispozici jsou i nástroje pro vynucené zarovnání, segmentaci dat pomocí CTC, průzkum datových sad a evaluaci modelů ASR. Nástroj je určen pro vývojáře a výzkumníky pracující s řečovými a audio modely, dokumentace je v angličtině. Konkrétní informace o cenách nejsou v dokumentaci uvedeny, jedná se však o open-source projekt dostupný na GitHubu.

Kategorie