Nvidia släpper öppen transkriberingsmodell för 40 språk

Nvidia har släppt Nemotron 3.5 Transcribe, en kostnadsfri modell med öppna vikter som transkriberar inspelat ljud på upp till 40 språk. Företaget har också släppt version 2 av den öppna taldatamängden Granary.

Nvidia uppger att modellen kan översätta 31 språk till och från engelska, hantera inspelningar på upp till en timme och skilja mellan upp till åtta talare. Företaget hävdar att den slår konkurrenter i jämförelsetester, däribland Hugging Face’s Open ASR Leaderboard.

Verktygen riktar sig till utvecklare som bygger appar för affärsmöten och medicinsk transkribering. Nvidia säger att utvecklare kan använda modellen, den uppdaterade datamängden Granary och verktyg som NeMo Speech för att anpassa appar så att de känner igen branschjargong på varje språk.

En begränsning är att Nemotron 3.5 Transcribe fungerar med inspelningar, inte direktsända ljudströmmar. Nvidia säger att modellen med 30 miljarder parametrar kan köras på ett enda chip, bland annat företagets robotstyrenhet Jetson AGX Thor, DGX Spark-chip och Blackwell-chip för datacenter.

Modellen ingår i Nvidias utbud av öppna röstmodeller, däribland Parakeet med 1,1 miljarder parametrar. Andra nyligen släppta röstmodeller är Mistrals Voxtral 3, ElevenLabs Realtime och Salesforces Launa-Omni.