Nvidia, 40 Dilde Açık Transkripsiyon Modelini Yayımladı

Nvidia, kaydedilmiş sesi 40 dile kadar yazıya döken ücretsiz, açık ağırlıklı Nemotron 3.5 Transcribe modelini yayımladı. Şirket ayrıca açık kaynaklı konuşma veri kümesi Granary'nin 2. sürümünü çıkardı.

Nvidia, modelin 31 dili İngilizceye ve İngilizceden çevirebildiğini, bir saate kadar uzunluktaki kayıtları işleyebildiğini ve sekiz konuşmacıya kadar kişiyi ayırt edebildiğini söylüyor. Şirket, Hugging Face’in Open ASR Leaderboard'u da dahil olmak üzere kıyaslamalarda rakiplerinden daha iyi sonuç aldığını öne sürüyor.

Araçlar, iş toplantıları ve tıbbi transkripsiyon için uygulamalar geliştiren geliştiricileri hedefliyor. Nvidia, geliştiricilerin modeli, güncellenmiş Granary veri kümesini ve NeMo Speech gibi araçları kullanarak uygulamaları her dilde sektöre özgü terimleri tanıyacak şekilde özelleştirebileceğini belirtiyor.

Bir sınırlama, Nemotron 3.5 Transcribe'ın canlı ses akışlarıyla değil, kayıtlarla çalışması. Nvidia, 30 milyar parametreli modelin Jetson AGX Thor robotik denetleyicisi, DGX Spark çipi ve Blackwell veri merkezi çipleri dahil tek bir çipte çalışabileceğini söylüyor.

Bu sürüm, Nvidia'nın 1,1 milyar parametreli Parakeet dahil açık ağırlıklı ses modellerine katılıyor. Diğer şirketlerin yakın tarihli ses modeli sürümleri arasında Mistral'ın Voxtral 3'ü, ElevenLabs'in Realtime'ı ve Salesforce'un Launa-Omni'si bulunuyor.