Nvidia prezentuje Nemotron 3.5 Transcribe: otwarty model transkrypcji dla wielojęzycznego dźwięku

Image: TechCrunch · Source

Nvidia wprowadza Nemotron 3.5 Transcribe, darmowy otwarty model mowy na tekst, obsługujący do 40 języków i rozróżniający wielu rozmówców, zoptymalizowany do transkrypcji nagrań w biznesie i medycynie.

28 października 2026 roku Nvidia ogłosiła Nemotron 3.5 Transcribe, nowy darmowy i otwarty model mowy na tekst, zdolny do transkrypcji nagrań w aż 40 językach. Wraz z modelem Nvidia udostępniła także wersję 2 Granary, zaktualizowanego otwartego zbioru danych mowy, mającego na celu poprawę jakości transkrypcji na podstawie różnorodnych próbek mowy.

Nemotron 3.5 potrafi rozróżnić aż ośmiu rozmówców w nagraniu oraz tłumaczyć 31 języków na angielski i z angielskiego. Model obsługuje nagrania do godziny długości, koncentrując się przede wszystkim na deweloperach tworzących aplikacje do transkrypcji spotkań biznesowych oraz w kontekstach medycznych — dwóch sektorach, gdzie technologie mowy na tekst oparte na SI zyskują na znaczeniu.

Kluczową zaletą Nemotron 3.5 jest przewaga nad konkurencją w wielu testach porównawczych, w tym na listach rankingowych Hugging Face Open ASR Leaderboard. Nvidia podkreśla elastyczność modelu w dostosowywaniu dzięki narzędziu NeMo Speech, które pozwala aplikacjom rozpoznawać specjalistyczny żargon typowy dla różnych branż i języków.

Nemotron 3.5 wyróżnia się też efektywnością — model ma 30 miliardów parametrów, ale działa na pojedynczym chipie. Kompatybilny jest z szerokim spektrum sprzętu Nvidia, w tym kontrolerem robotycznym Jetson AGX Thor, procesorem DGX Spark z najnowszych laptopów oraz procesorami data center Blackwell.

Jednak Nemotron 3.5 został zaprojektowany wyłącznie do nagrań audio i nie obsługuje transmisji na żywo, pozostawiając przypadki użycia transkrypcji w czasie rzeczywistym innym dostawcom, takim jak ElevenLabs. Inicjatywa Nvidii wpisuje się w szerszy wzrost zainteresowania technologiami głosowymi AI, obok takich produktów jak Voxtral 3 firmy Mistral, Realtime voice agents ElevenLabs i model głosowy Launa-Omni Salesforce.

Podsumowując, wypuszczenie Nemotron 3.5 stanowi istotny krok naprzód w dostępnej, wielojęzycznej technologii transkrypcji mowy, przeznaczonej do pracy offline i z nagranymi dźwiękami w środowiskach profesjonalnych, wspierając dalsze innowacje w narzędziach głosowych wspomaganych przez sztuczną inteligencję.

Kategoria: Aplikacje Status wydania: wydany Data premiery: 2026-10-28 Nazwa produktu: Nemotron 3.5 Transcribe