Nvidia esittelee Nemotron 3.5 Transcribe - Avoimen transkriptio-mallin monikieliselle äänelle

Kuva: TechCrunch · Lähde

Nvidia julkaisee Nemotron 3.5 Transcribe -ilmaisen avoimen painon puheesta tekstiin -mallin, joka tukee jopa 40 kieltä ja erottaa useita puhujia, optimoituna tallennetun äänen transkriptioon liike-elämässä ja lääketieteessä.

28. lokakuuta 2026 Nvidia ilmoitti uudesta Nemotron 3.5 Transcribe -mallista, avoimen painoisesta puheesta tekstiin -mallista, joka pystyy transkriboimaan tallenteita jopa 40 kielellä. Mallin rinnalla Nvidia julkaisi Granary-version 2, päivitetyn avoimen lähdekoodin puheaineiston, jonka tarkoituksena on parantaa transkription laatua erilaisissa puhenäytteissä.

Nemotron 3.5 pystyy erottelemaan jopa kahdeksan eri puhujaa tallenteessa ja kääntämään 31 kieltä englanniksi ja englannista. Se tukee jopa tunnin pituisia tallenteita ja on suunnattu erityisesti kehittäjille, jotka rakentavat transkriptiosovelluksia liike-elämän kokouksiin ja lääketieteellisiin käyttötarkoituksiin — kahdelle alalle, joissa tekoälypohjaiset puheesta tekstiin -teknologiat ovat yhä arvokkaampia.

Nemotron 3.5:n keskeinen etu on sen kyky ylittää kilpailijat useissa vertailuissa, mukaan lukien Hugging Facen Open ASR Leaderboard. Nvidia korostaa mallin muokattavuutta NeMo Speech -työkalupakkinsa kautta, mikä mahdollistaa sovellusten tunnistavan eri alojen ja kielten erikoisterminologiaa.

Nemotron 3.5 on huomattavan tehokas: siinä on 30 miljardia parametria, mutta se toimii yhdellä sirulla. Se on yhteensopiva useiden Nvidian laitteistojen kanssa, mukaan lukien Jetson AGX Thor -robottiohjain, DGX Spark -piiri uusissa kannettavissa tietokoneissa ja Blackwellin datakeskusprosessorit.

Nemotron 3.5 on kuitenkin suunniteltu pelkästään tallennetulle äänelle, eikä se tue suoraa äänivirtaa, joten reaaliaikaiset transkriptiosovellukset jäävät muiden palveluntarjoajien, kuten ElevenLabsin, tehtäväksi. Nvidian aloitus liittyy laajempaan tekoälypohjaisten ääniteknologioiden julkaisuinnostukseen, jota ovat muun muassa Mistralin Voxtral 3, ElevenLabsin reaaliaikaiset ääniedustajat ja Salesforcen Launa-Omni äänimalli.

Kaiken kaikkiaan Nvidian julkaisu edustaa merkittävää edistystä saavutettavissa, monikielisissä puheen transkriptioissa, suunnattu offline- ja tallennetun äänen käyttöön ammatillisissa ympäristöissä, ja tukee edelleen tekoälypohjaisten äänityökalujen innovaatioita.