Nvidia izziņo Nemotron 3.5 Transcribe: atvērtā transkripcijas modeļa atbalsts daudzvalodu audio

Attēls: TechCrunch · Avots

Nvidia ievieš Nemotron 3.5 Transcribe, bezmaksas atvērtā svara runas tekstā modelis, kas atbalsta līdz 40 valodām un atšķir vairākus runātājus, optimizēts ierakstīta audio pārvaldībai biznesa un medicīnas vidēs.

2026. gada 28. oktobrī Nvidia izziņoja Nemotron 3.5 Transcribe, jaunu bezmaksas un atvērtā svara runas tekstā modeli, kas spēj pārveidot ierakstus līdz 40 valodās. Līdztekus modelim Nvidia publicēja Granary 2. versiju, atjauninātu atvērtā koda runas datu kopu, kura mērķis ir uzlabot transkripcijas kvalitāti dažādos runas paraugos.

Nemotron 3.5 var atšķirt līdz astoņiem runātājiem ierakstā un tulkot 31 valodu uz un no angļu valodas. Tas atbalsta ierakstus līdz vienai stundai, koncentrējoties galvenokārt uz izstrādātājiem, kas būvē transkripcijas lietojumprogrammas biznesa sapulcēm un medicīnas kontekstiem — divi sektori, kuros mākslīgā intelekta balstītās runas pārveidošanas tehnoloģijas kļūst arvien nozīmīgākas.

Viena no Nemotron 3.5 galvenajām priekšrocībām ir tās spēja pārspēt konkurentus vairākos salīdzinošās testos, tostarp Hugging Face Open ASR Leaderboard. Nvidia uzsver modeļa elastību pielāgošanā, izmantojot NeMo Speech rīkkopu, ļaujot lietotnēm atpazīt specifisku žargonu dažādās nozarēs un valodās.

Nemotron 3.5 ir ievērojams arī ar savu efektivitāti, saturot 30 miljardus parametru un darbojoties uz viena mikroshēmas. Tas ir saderīgs ar dažādām Nvidia aparatūrām, tajā skaitā Jetson AGX Thor robotikas kontrolieri, DGX Spark mikroshēmu jaunajos klēpjdatoros un Blackwell datu centra procesoriem.

Tomēr Nemotron 3.5 ir paredzēts tikai ierakstītai skaņai un neatbalsta tiešraides audio plūsmas, atstājot reāllaika transkripcijas gadījumus citiem pakalpojumu sniedzējiem, piemēram, ElevenLabs. Nvidia iniciatīva pievienojas plašākai AI balss tehnoloģiju izlaižu straumei, kas vienlaikus parādās kopā ar tādiem produktiem kā Mistral Voxtral 3, ElevenLabs Realtime balss aģenti un Salesforce Launa-Omni balss modelis.

Kopumā Nvidia laidiens nozīmīgi attīsta pieejamas, daudzvalodu runas transkripcijas tehnoloģijas, kas pielāgotas bezsaistes un ierakstīta audio lietojumiem profesionālās vidēs, atbalstot turpmāku inovāciju AI balstītos balss rīkos.