Nvidia presenterar Nemotron 3.5 Transcribe: En öppen transkriptionsmodell för flerspråkigt ljud

Bild: TechCrunch · Källa

Nvidia lanserar Nemotron 3.5 Transcribe, en gratis öppen vikt tal-till-text modell som stödjer upp till 40 språk och kan särskilja flera talare, optimerad för transkription av inspelade ljud i affärs- och medicinska miljöer.

Den 28 oktober 2026 tillkännagav Nvidia Nemotron 3.5 Transcribe, en ny gratis och öppen vikt tal-till-text modell som kan transkribera inspelningar på upp till 40 språk. Parallellt med modellen släppte Nvidia version 2 av Granary, en uppdaterad öppen källkod tal-databas med syftet att förbättra transkriptionskvaliteten över olika talprover.

Nemotron 3.5 kan skilja mellan upp till åtta talare inom en inspelning och översätta 31 språk till och från engelska. Den stödjer hantering av inspelningar som är upp till en timme långa, främst riktad mot utvecklare som fokuserar på att bygga transkriptionsapplikationer för affärsmöten och medicinska sammanhang — två sektorer där AI-drivna tal-till-text teknologier blivit allt viktigare.

En viktig fördel med Nemotron 3.5 är dess förmåga att överträffa konkurrenter i flera riktmärken, inklusive Hugging Faces Open ASR Leaderboard. Nvidia betonar modellens flexibilitet för anpassning genom sitt NeMo Speech verktygspaket, vilket möjliggör applikationer att känna igen specialiserad jargong för olika industrier och språk.

Nemotron 3.5 är anmärkningsvärd för sin effektivitet, med 30 miljarder parametrar men som körs på en enda chip. Den är kompatibel med flera Nvidia-hårdvaror, bland annat Jetson AGX Thor robotikstyrning, DGX Spark chipet som finns i nya bärbara datorer, och Blackwell datacenterprocessorer.

Nemotron 3.5 är dock utformad uteslutande för inspelat ljud och stöder inte live-ljudströmmar, vilket lämnar realtidsanvändning av transkription åt andra leverantörer såsom ElevenLabs. Nvidias initiativ tillhör en bredare våg av AI-röstteknologireleaser nyligen, samtidigt som produkter som Mistrals Voxtral 3, ElevenLabs Realtime Voice Agents och Salesforces Launa-Omni röstmodell.

Sammanfattningsvis utgör Nvidias lansering ett betydande framsteg inom tillgänglig, flerspråkig taltranskriptionsteknologi anpassad för offline och inspelade ljudapplikationer i professionella miljöer, vilket stöder fortsatt innovation inom AI-drivna röstverktyg.