Nvidia tutvustab Nemotron 3.5 Transcribe: avatud transkriptsioonimudel mitmekeelsele helile

Pilt: TechCrunch · Allikas

Nvidia avaldas Nemotron 3.5 Transcribe, tasuta avatudkaalulise kõnetekstiks mudeli, mis toetab kuni 40 keelt ning eristab mitut kõnelejat, optimeeritud salvestatud heli transkribeerimiseks äris ja meditsiinis.

28. oktoobril 2026 teatas Nvidia Nemotron 3.5 Transcribe'ist, uuest tasuta ja avatudkaalulisest kõnetekstiks mudelist, mis suudab transkribeerida salvestisi kuni 40 keeles. Mudeli kõrval avaldas Nvidia Granary versiooni 2, uuendatud avatud lähtekoodiga kõnematerjalide kogumi, mille eesmärk on parandada transkriptsiooni kvaliteeti mitmekesiste kõneproovide puhul.

Nemotron 3.5 suudab eristada salvestuses kuni kaheksa kõnelejat ning tõlkida 31 keelt inglise keelele ja inglise keelest. See toetab kuni tunni pikkuseid salvestisi, keskendudes peamiselt arendajatele, kes loovad transkriptsioonirakendusi ärikoosolekute ja meditsiiniliste olukordade jaoks – kahes sektoris, kus tehisintellektil põhinevad kõnetekstiks tehnoloogiad on muutunud üha väärtuslikumaks.

Nemotron 3.5 peamine eelis on selle võimalus ületada konkurente mitmetel võrdlustestidel, sealhulgas Hugging Face'i Open ASR Leaderboardil. Nvidia rõhutab mudeli paindlikkust, mis tuleb NeMo Speech tööriistakomplektist, võimaldades rakendustel ära tunda erialast žargooni erinevates tööstusharudes ja keeltes.

Nemotron 3.5 on tähelepanuväärne oma efektiivsuse poolest: see sisaldab 30 miljardit parameetrit, kuid töötab ühe kiibiga. See ühildub mitme Nvidia riistvaraga, sealhulgas Jetson AGX Thor robootikakontroller, DGX Spark kiip uudsetes sülearvutites ning Blackwell andmekeskuste protsessorid.

Siiski on Nemotron 3.5 kujundatud ainult salvestatud heli jaoks ega toeta reaalajas heli vooge, jättes reaalajas transkriptsiooni kasutusjuhtumid teistele pakkujatele, näiteks ElevenLabsile. Nvidia initsiatiiv liitub hiljuti toimunu AI hääletehnoloogia lainel teiste toodetega nagu Mistrali Voxtral 3, ElevenLabs’i Realtime häälteagentid ja Salesforce'i Launa-Omni häälmudel.

Kokkuvõttes tähistab Nvidia avaldus märkimisväärset sammu juurdepääsetava mitmekeelse kõnetekstimise tehnoloogia suunas, mis on kohandatud võrguühenduseta ja salvestatud heli rakendustele professionaalses keskkonnas, toetades edasist innovatsiooni tehisintellektil põhinevates häälvahendites.