Nvidia lanserer Nemotron 3.5 Transcribe: En åpen transkripsjonsmodell for flerspråklig lyd

Bilde: TechCrunch · Kilde

Nvidia lanserer Nemotron 3.5 Transcribe, en gratis åpen vekt tale-til-tekst-modell som støtter opptil 40 språk og kan skille mellom flere talere, optimalisert for transkripsjon av innspilt lyd i forretnings- og medisinske settinger.

Den 28. oktober 2026 kunngjorde Nvidia Nemotron 3.5 Transcribe, en ny gratis og åpen vekt tale-til-tekst-modell som kan transkribere innspillinger på opptil 40 språk. Sammen med modellen lanserte Nvidia versjon 2 av Granary, et oppdatert åpen kildekode tale-datasett med mål om å forbedre transkripsjonskvaliteten på tvers av varierte talekommunikasjoner.

Nemotron 3.5 kan skille mellom opptil åtte talere i en opptak og oversette 31 språk til og fra engelsk. Den støtter håndtering av opptak opptil en time lange, hovedsakelig rettet mot utviklere som fokuserer på å bygge transkripsjonsapplikasjoner for forretningsmøter og medisinske sammenhenger — to sektorer hvor AI-drevne tale-til-tekst-teknologier har blitt stadig viktigere.

En sentral fordel med Nemotron 3.5 er dens evne til å overgå konkurrenter på flere benchmark-tester, inkludert Hugging Faces Open ASR Leaderboard. Nvidia legger vekt på modellens fleksibilitet for tilpasning gjennom NeMo Speech-verktøykassen, som gjør at apper kan gjenkjenne spesialisert sjargong som er spesifikk for ulike bransjer og språk.

Nemotron 3.5 er bemerkelsesverdig for sin effektivitet, med 30 milliarder parametere, men som kjører på en enkelt chip. Den er kompatibel med en rekke Nvidia-maskinvare, inkludert Jetson AGX Thor robotikkontroller, DGX Spark-chipen som finnes i nye laptoper, og Blackwell datasenterprosessorer.

Nemotron 3.5 er imidlertid designet utelukkende for innspilt lyd og støtter ikke direktestrømmer av lyd, noe som overlater sanntids-transkripsjon til andre leverandører som ElevenLabs. Nvidias initiativ er en del av en bredere bølge av AI-stemmeteknologilanseringer nylig, samtidig med produkter som Mistrals Voxtral 3, ElevenLabs’ Realtime Voice Agents og Salesforce sitt Launa-Omni stemmemodell.

Alt i alt representerer Nvidias lansering et betydelig fremskritt innen tilgjengelig, flerspråklig tale-transkripsjonsteknologi, tilpasset offline og innspilte lydapplikasjoner i profesjonelle miljøer, og støtter videre innovasjon i AI-drevne stemmeverktøy.