过去一年里，NVIDIA在对话AI领域持续发力，接连发布了多项关键技术突破——涵盖自动语音识别（ASR）、自然语言处理（NLP）以及文本到语音（TTS），形成了从模型构建到生产部署的完整链路。

为了帮助开发者快速上手，NVIDIA深度学习培训中心（DLI）一次性推出了三门免费、自定进度的课程，全部运行在云端GPU加速环境中。无需任何前期准备，随时可以开始学习，非常适合希望快速切入对话AI领域的学员。

你会学到什么？

这些课程的设计理念非常直接：让开发者亲手使用现代工具，迅速搭建起一套GPU加速的对话式AI和NLP应用。具体学习目标包括：

• 使用TAO工具箱训练文本分类模型
• 在SST-2数据集上训练并微调BERT文本分类模型
• 对模型进行评估和推断
• 将模型导出为ONNX或Riva格式，便于后续部署
• 使用Riva部署文本分类模型——借助Riva ServiceMaker，将TAO导出的模型转换为最终可用的部署版本
• 在本地Riva服务器上部署模型
• 通过Riva API绑定，从演示客户端发送推断请求
• 体验Riva语音API的完整流程：将音频发送给ASR模型并接收回文本→用NLP模型进行文本转换、分类和标记分类→向TTS模型发送文本并接收回音频

课程结束后，开发者将掌握三项核心能力：

• 如何用NVIDIA TAO工具包在GPU上训练、推断和导出文本分类模型
• 如何用NVIDIA Riva在GPU上部署文本分类模型
• 如何从示例客户端构造对NVIDIA Riva语音服务器的请求

为什么文本分类有用？

这个问题其实非常关键。文本分类要解决的核心问题是：一段文本究竟属于哪一类？举个最简单的例子，如果你有一堆电影评论，想知道它们是好评还是差评，建立一个二分类的情感分析项目就能轻松解决。

再深入一步，如果想让系统按主题对句子或文档自动归档，就需要多分类的能力。通常的做法是：从一个预训练的语言模型出发，用带有类别标签的示例文本去“训练”分类器，最终得到一个可用的文本分类应用。

当然，文本分类只是NLP众多任务中的一项。一旦开发者用TAO工具包和Riva跑通了文本分类项目，后续再去处理命名实体识别（NER）、问答系统等任务，逻辑和方法基本都是相通的，完全可以举一反三。

NVIDIA Riva语音API是如何工作的？

Riva语音API服务器实际上暴露了一个非常简洁的接口，统一处理语音识别、语音合成以及各种NLP推断。在课程中，开发者将使用Python示例从Riva的示例客户端调用这些API。服务器内部已经预置好了ASR、NLP和TTS模型——这些内置模型让开发者可以零配置地快速测试对话AI的各个组件，从音频输入到文本输出，再到语音合成，整个过程清晰流畅。

本文由NVIDIA深度学习培训中心的Dana Sheahen撰写，她专注于自主系统和对话人工智能的应用，拥有乔治亚理工学院的理学硕士学位和莱斯大学的理学学士学位，在嵌入式系统和AI课程开发方面拥有丰富经验。