„Nvidia“ pristato „Nemotron 3.5 Transcribe“: atvirą daugiakalbį garso transkripcijos modelį

Vaizdas: TechCrunch · Šaltinis

„Nvidia“ pristato „Nemotron 3.5 Transcribe“, nemokamą atviro svorio kalbos į tekstą modelį, palaikantį iki 40 kalbų ir atpažįstantį kelis kalbėtojus, optimizuotą įrašytų įrašų transkripcijai verslo ir medicinos srityse.

2026 m. spalio 28 d. „Nvidia“ paskelbė apie „Nemotron 3.5 Transcribe“ – naują nemokamą, atviro svorio kalbos į tekstą modelį, galintį transkribuoti įrašus iki 40 kalbų. Kartu su modeliu „Nvidia“ išleido atnaujintą atviro kodo kalbos duomenų rinkinį „Granary“ 2 versiją, skirtą pagerinti transkripcijos kokybę įvairiuose kalbos pavyzdžiuose.

„Nemotron 3.5“ gali atskirti iki aštuonių kalbėtojų įraše ir versti 31 kalbą iš ir į anglų kalbą. Modelis palaiko iki valandos trukmės įrašų apdorojimą, daugiausia skirtas kūrėjams, kurie kuria transkripcijos programas verslo susitikimams ir medicinos kontekstams – dvioms sritims, kuriose dirbtinio intelekto pagrindu kuriamos kalbos į tekstą technologijos tampa vis svarbesnės.

Viena iš „Nemotron 3.5“ privalumų yra jo geresni rezultatai daugelyje etaloninių testų, įskaitant „Hugging Face“ atvirą „ASR“ lyderių lentelę. „Nvidia“ pabrėžia modelio lankstumą ir galimybes pritaikyti per „NeMo Speech“ įrankių rinkinį, leidžiantį programėlėms atpažinti pramonės šakų ir kalbų specifinę terminiją.

„Nemotron 3.5“ išsiskiria savo efektyvumu – turi 30 milijardų parametrų, tačiau veikia viename mikroschemoje. Jis suderinamas su įvairia „Nvidia“ įranga, įskaitant „Jetson AGX Thor“ robotikos valdiklį, „DGX Spark“ mikroschemą naujuose nešiojamuosiuose kompiuteriuose ir „Blackwell“ duomenų centro procesorius.

Tačiau „Nemotron 3.5“ yra skirtas tik įrašytam garsui ir nepalaiko tiesioginių garso transliacijų, paliekant realaus laiko transkripcijos atvejus kitiems teikėjams, tokiems kaip „ElevenLabs“. „Nvidia“ iniciatyva prisideda prie spartėjančio AI balso technologijų naujovių bumo, lygiagrečiai su produktais kaip „Mistral“ „Voxtral 3“, „ElevenLabs“ realaus laiko balso agentais bei „Salesforce“ „Launa-Omni“ balso modeliu.

Apskritai „Nvidia“ išleidimas žymi reikšmingą žingsnį į priekį prieinamos daugiakalbės kalbos transkripcijos technologijos srityje, pritaikytos naudoti neprisijungus ir su įrašytu garsu profesionaliose aplinkose, o tai skatina tolesnes inovacijas DI pagrįstose balso priemonėse.