Nvidia lanza un modelo abierto de transcripción para 40 idiomas

Nvidia ha lanzado Nemotron 3.5 Transcribe, un modelo gratuito de pesos abiertos que transcribe audio grabado en hasta 40 idiomas. La empresa también publicó la versión 2 de Granary, su conjunto de datos de voz de código abierto.

Nvidia afirma que el modelo puede traducir 31 idiomas al inglés y desde el inglés, procesar grabaciones de hasta una hora y distinguir hasta ocho hablantes. La empresa sostiene que supera a sus rivales en pruebas de referencia, incluida Open ASR Leaderboard de Hugging Face.

Las herramientas están dirigidas a desarrolladores que crean aplicaciones para reuniones de trabajo y transcripción médica. Nvidia dice que pueden usar el modelo, el conjunto de datos Granary actualizado y herramientas como NeMo Speech para adaptar las aplicaciones y reconocer la jerga de cada sector en cada idioma.

Una limitación es que Nemotron 3.5 Transcribe funciona con grabaciones, no con transmisiones de audio en directo. Nvidia afirma que el modelo, con 30.000 millones de parámetros, puede ejecutarse en un solo chip, incluidos su controlador robótico Jetson AGX Thor, el chip DGX Spark y los chips Blackwell para centros de datos.

El lanzamiento se suma a los modelos de voz de pesos abiertos de Nvidia, entre ellos Parakeet, con 1.100 millones de parámetros. Otros lanzamientos recientes de voz incluyen Voxtral 3 de Mistral, Realtime de ElevenLabs y Launa-Omni de Salesforce.