Canary

Canary es una familia de modelos de voz del equipo NeMo de NVIDIA, con el modelo principal Canary-1B publicado en abril de 2024. A diferencia de un modelo de ASR típico, que solo transcribe audio, Canary cubre tanto el reconocimiento de voz como la traducción de voz entre inglés, francés, alemán y español: convierte el audio hablado en texto en el mismo idioma o lo traduce a otro. Combina un encoder FastConformer con un decoder transformer, una arquitectura que NVIDIA ajustó para sacar buena precisión de un modelo comparativamente pequeño, y al lanzarse encabezó el Open ASR Leaderboard de Hugging Face frente a competidores varias veces más grandes.

NVIDIA distribuye Canary-1B a través de Hugging Face y de su framework NeMo para uso autoalojado, y también a través de NVIDIA NIM como API alojada. El Canary-1B original se distribuye bajo licencia CC-BY-NC 4.0, que lo restringe al uso no comercial, aunque NVIDIA ha publicado después variantes más nuevas de Canary, entre ellas Canary-1B-Flash y Canary-1B-v2, bajo la licencia más permisiva CC-BY-4.0, con autorización comercial explícita e inferencia más rápida.