Nvidia prezanton Nemotron 3.5 Transcribe, modelin e hapur që transkripton audio në 40 gjuhë

Nvidia prezantoi të mërkurën Nemotron 3.5 Transcribe, një model falas me pesha të hapura që kthen audion në tekst në deri 40 gjuhë, siç njofton TechCrunch. Bashkë me modelin, kompania publikoi edhe versionin 2 të Granary, dataset-it të saj të hapur të të folurit, duke zgjeruar paketën e mjeteve të hapura për teknologjitë e zërit.

Modeli përkthen 31 gjuhë drejt dhe nga anglishtja, përballon regjistrime deri në një orë të gjatë dhe arrin të dallojë deri në tetë folës në të njëjtën audio. Sipas Nvidia-s, me këto rezultate ai i kalon rivalët në renditje si Open ASR Leaderboard i Hugging Face.

Mjetet u drejtohen zhvilluesve që ndërtojnë aplikacione për transkriptimin e mbledhjeve të biznesit dhe të bisedave mjekësore. Falë dataset-it Granary dhe mjeteve NeMo Speech, aplikacionet mund të përshtaten me zhargonin e çdo fushe, në secilën prej gjuhëve të mbështetura.

Transcribe ka megjithatë një kufizim të qartë: punon me audio të regjistruar, jo me transmetime të drejtpërdrejta. Nga ana tjetër, modeli me 30 miliardë parametra mund të funksionojë në një çip të vetëm, nga kontrolluesi robotik Jetson AGX Thor dhe çipi DGX Spark te çipat Blackwell për qendrat e të dhënave, dhe i bashkohet modeleve të tjera zanore të hapura të Nvidia-s, përfshirë Parakeet.

Publikimi vjen në një periudhë të ngjeshur për zërin me inteligjencë artificiale. Mistral nxori këtë muaj Voxtral 3, ElevenLabs lançoi Realtime, ndërsa Salesforce publikoi modelin Launa-Omni, shenjë se gara në transkriptim dhe në teknologjitë e zërit po bëhet gjithnjë e më e fortë.