Nemotron 3.5 Transcribe API: 1 Saatlik Sesi 12 Sent Karşılığında Metne Dönüştürün

NVIDIA'nın yeni Nemotron 3.5 Transcribe API'siyle bir saatlik kaydı deşifre etmek 12 sente mal oluyor. Bu, Hugging Face Open ASR Leaderboard'daki en iyi açık ağırlıklı model için DeepInfra'nın dakika başına 0,002 $ fiyatıdır; bu model aynı çağrıda kelime zaman damgalarını, konuşmacı etiketlerini ve algılanan dili de döndürür.

Bu kılavuz, nasıl API anahtarı alınacağını, ilk isteğin nasıl gönderileceğini, yanıtın nasıl okunacağını, konuşmacı etiketleri ve jargon için istemlerin nasıl yazılacağını ve maliyetlerin nasıl öngörülebilir tutulacağını gösterir. Aşağıdaki her şey 29 Ekim 2026'da DeepInfra model sayfası, OpenRouter listesi ve resmi model kartı ile karşılaştırılarak kontrol edildi.

Bunun yerine 0 $'lık bir yol mu arıyorsunuz? Nemotron 3.5 Transcribe'ı ücretsiz nasıl kullanacağınızı okuyun.

Nemotron 3.5 Transcribe API'si size neler sunar

NVIDIA, Nemotron 3.5 Transcribe'ı (NVIDIA-Nemotron-3.5-Transcribe-30B-A4B) 28 Ekim 2026'da yayımladı. Toplam 34B parametreye ve yaklaşık 4,3B etkin parametreye sahip, açık ağırlıklı bir konuşma modelidir; hibrit Mamba-2 ve Transformer uzman karışımı bir dil modeline ASR kodlayıcısı ve konuşmacı kodlayıcısı eklenerek oluşturulmuştur.

Tek bir uç noktadan şunları elde edersiniz:

• 40 dilde deşifre
• Bir saate kadar dosyalar
• Kelime zaman damgaları ve segment zaman damgaları
• Sekize kadar konuşmacı içeren konuşmacı atamalı deşifre metinleri
• 31 dilde İngilizceye ve İngilizceden konuşma çevirisi
• Adlar, ürünler ve jargon için bağlam istemi
• Dil tanımlama

Open ASR Leaderboard'da (28 Ekim 2026'da güncellendi) ortalama %5,33 WER ile 61 model arasında 9., açık ağırlıklı modeller arasında ise birincidir. Üstündeki sekiz model kapalı ticari API'lerdir.

Bu çevrimdışı bir modeldir. Canlı yayın değil, kaydedilmiş dosyalar gönderin.

Nereden çağrılır ve maliyeti nedir

Bu fiyatlarla 1.000 saatlik ses yaklaşık 120 $'a mal olur. Karşılaştırma için, OpenAI Whisper API tarihsel olarak dakika başına 0,006 $ ücretlendirdi; bu, DeepInfra'nın fiyatının üç katıdır ve whisper-large-v3 aynı sıralamada %7,16 WER ile 41. sıradadır.

Adım 1: DeepInfra API anahtarı alın

1. deepinfra.com adresinde bir hesap oluşturun.
2. Kontrol panosunu açın ve bir API anahtarı oluşturun.
3. Bir ödeme yöntemi veya kredi ekleyin. Model sayfası, tarayıcı demosu için bile oturum açmayı gerektirir.
4. Anahtarı kabuğunuzda dışa aktarın:

export DEEPINFRA_API_KEY="your_key_here"

Anahtarı sürüm kontrolünden uzak tutun. Bir kodlama aracısı üzerinden çalışıyorsanız, anahtarı isteme değil, aracının ortamına koyun.

Adım 2: ilk dosyanızı deşifre edin

DeepInfra'nın yerel çıkarım uç noktası, audio alanı içeren bir multipart yükleme kabul eder. API sayfasındaki tam istek biçimi şudur:

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'

Model WAV, FLAC, MP3, OGG veya 16 kHz mono PCM'ye çözülen herhangi bir biçimi kabul eder. M4A veya video dosyalarınız varsa, önce bunları FFmpeg ile dönüştürün:

ffmpeg -i call.m4a -ar 16000 -ac 1 call.wav

Adım 3: yanıtı okuyun

DeepInfra bu yanıt biçimini belgeliyor (aşağıdaki değerler örnektir):

{
  "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 }
}

Her alanın ne için olduğu:

• text tam deşifre metnidir. Bunu saklayın.
• segments zamanlanmış parçalar verir. Bunları altyazılar (SRT veya VTT) için kullanın.
• words kelime başına zamanlama verir. Bunu karaoke tarzı vurgulama veya tam saniyeye atlayan arama için kullanın.
• language algılanan dil kodudur. Testlerde bunu doğrulayın; kısa kliplerde yanlış dil yaygın bir hatadır.
• inference_status.cost çağrının maliyetini bildirir. Dosya başına harcamayı izlemek için bunu günlüğe kaydedin.

Adım 4: Python'dan çağırın

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])

Uzun bir zaman aşımı ayarlayın. Bir saatlik yoğun konuşma yaklaşık 20.000 çıktı token'ı üretebilir ve model kartı uzun işlerin zaman aldığı konusunda uyarır.

DeepInfra ayrıca model için bir “OpenAI Speech-to-Text” sekmesi listeliyor; bu nedenle audio.transcriptions çağıran OpenAI SDK kodu büyük olasılıkla DeepInfra'nın OpenAI uyumlu temel URL'sini işaret edebilir. Üretim kodunu değiştirmeden önce tam temel URL için o sekmeyi kontrol edin.

İstemler: kelimesi kelimesine, temiz, konuşmacılar, jargon

Nemotron 3.5 Transcribe'ı eski ASR API'lerinden ayıran şey, talimat alabilmesidir. DeepInfra sayfasında listelendiği üzere NVIDIA'nın önerdiği istemler:

Deşifre, çeviri ve dil kimliği için reasoning kapalıyken temperature 0 kullanın ve sistem istemini boş tutun.

Bağlam terimleri işe yarar. NVIDIA, ContextASR-Bench WER'in bağlam olmadan %3,33'ten ince taneli bağlamla %1,71'e düştüğünü ve bağlamsal Earnings22'nin %12,54'ten %9,58'e düştüğünü bildiriyor. Bir kazanç çağrısı için şirket adlarını, hisse sembollerini ve yöneticilerin adlarını iletin.

Yerel uç noktada talimatı taşıyan alan için DeepInfra'nın giriş şeması sekmesini kontrol edin. Kendi sunucunuzda barındırıyorsanız, yerel kurulum kılavuzumuzda gösterildiği gibi talimat sesin yanındaki sohbet mesajına gider.

Bunun yerine OpenRouter kullanmak

LLM'ler için zaten OpenRouter kullanıyorsanız, tek bir anahtar ve tek bir faturayla devam edebilirsiniz. Model kimliği nvidia/nemotron-3.5-transcribe olup saniye başına 0,000033 $ fiyatlandırılır; 29 Ekim 2026'da listelenen tek sağlayıcı DeepInfra'dır (%100 çalışma süresi, o sırada yaklaşık bir saniye gecikme). Ses uç noktaları sohbet tamamlamalarından farklı olduğundan, istek biçimini OpenRouter'daki modelin API sekmesinden kopyalayın.

Ödünleşim: OpenRouter bir ağ atlaması ekler ve bugün sağlayıcı yük devretmesi yoktur çünkü modele yalnızca bir sağlayıcı hizmet veriyor.

Maliyetleri öngörülebilir tutun

• Önce sessizlikleri kesin. Konuşma dakikası başına değil, ses dakikası başına ödeme yaparsınız. Kayıtlardaki boş havayı kesmek faturayı düşürür.
• Downmix ve yeniden örnekleme yapın. Model zaten 16 kHz mono kullanır; stereo 48 kHz göndermek yalnızca yükleme süresini artırır.
• Parça yerine dosya bazında toplu işleyin. Model bir saatlik kaydı tek istekte işler. Bir dosyayı 30 saniyelik parçalara bölmek konuşmacı etiketlerini ve bağlamı bozar.
• inference_status.cost değerini günlüğe kaydedin. Müşteri veya iş başına toplayın.
• Sabit hacmin üzerinde kendi sunucunuzda barındırın. NVIDIA'nın optimize edilmiş NIM'i bir RTX PRO 6000 Blackwell üzerinde saniyede 2.238 saniyeye kadar ses işler. Ayda binlerce saat deşifre ediyorsanız, kiralık bir GPU dakika başına fiyatlandırmayı yener. Açık kaynak vLLM yolunun bu NIM rakamından yaklaşık iki kat daha yavaş olması beklendiğini unutmayın.

Kodlama aracınızın bunu Apidog CLI ile test etmesine izin verin

Deşifre API'leri sessizce başarısız olur: boş text ile dönen bir 200, Portekizce olarak algılanan İspanyolca bir klip veya bir sağlayıcı güncellemesinden sonra eksik words. JSON'u elle kontrol etmek yerine, kodlama aracınızın kontrolleri Apidog CLI ile yazıp çalıştırmasına izin verin.

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

Ardından aracınıza bir istem verin:

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 token 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.

Aracı şemayı okur, yükünü doğrular, vakaları yazar ve çalıştırır:

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

-r junit ekleyin ve aynı komut bir CI kapısı haline gelir. Tam kurulum için CI/CD iş akışında Apidog CLI ve Claude Code'da Apidog CLI yazılarına bakın.

SSS

Nemotron 3.5 Transcribe API fiyatı nedir? 29 Ekim 2026 itibarıyla DeepInfra'da dakika başına 0,002 $ ve OpenRouter'da saniye başına 0,000033 $. Bu, her ikisinde de saatlik ses başına yaklaşık 0,12 $'dır.

Ücretsiz bir API anahtarı var mı? Bulamadık. Model henüz build.nvidia.com üzerinde değil. Ücretsiz yollar NVIDIA'nın demo Space'i ve kendi sunucunuzda barındırmadır; ücretsiz kılavuza bakın.

Maksimum dosya uzunluğu nedir? İstek başına bir saat, 65.536 token bağlamla.

API sonuçları akış halinde verir mi? Hayır. Dosya tamamlandığında deşifre metnini döndüren çevrimdışı bir modeldir.

Hangi diller destekleniyor? Üç kademede derecelendirilen 40 dil. 13 “önde gelen” dil arasında İngilizce, İspanyolca, Fransızca, Almanca, İtalyanca, Portekizce, Hintçe, Korece, Rusça ve Lehçe bulunur. Japonca, Türkçe ve Ukraynaca “üretime hazır”dır. Çince Mandarin ve Arapça “destekleniyor”dur.

Diğer konuşma API'leriyle nasıl karşılaştırılır? en iyi açık kaynak konuşmadan metne modelleri sıralamamıza ve daha eski en iyi metinden konuşmaya ve konuşmadan metne API'ler derlememize bakın.

Deşifre etmeye başlayın

Bir DeepInfra anahtarı alın, bir MP3 ile tek bir curl gönderin ve dakika başına 0,002 $ karşılığında zaman damgalı, dil etiketli metni geri alın. Alanınız için bağlam terimleri ekleyin, toplantılar için konuşmacı istemini kullanın ve sessiz bir regresyonun asla yayına gitmemesi için aracınızın her sürümde Apidog kontrollerini çalıştırmasını sağlayın.