Гласовият ИИ е на мода: Nvidia пусна нов отворен модел за транскрипция

В сряда Nvidia пусна Nemotron 3.5 Transcribe — безплатен модел с отворени тегла, който транскрибира аудио на до 40 езика. Компанията пусна и втората версия на Granary — своя набор от данни за реч с отворен код.

Nvidia се хвали, че Nemotron 3.5 може да превежда 31 езика от и на английски, да обработва записи с продължителност до един час и да разграничава до осем говорители. Компанията твърди, че моделът превъзхожда конкурентите в бенчмаркове, включително в класацията за отворено автоматично разпознаване на реч на Hugging Face.

Тези инструменти са предназначени за разработчици, създаващи приложения за бизнес срещи и медицинска транскрипция — две от най-утвърдените приложения на изкуствения интелект на работното място. Nvidia заявява, че разработчиците могат да използват модела, обновения набор от данни Granary и инструменти като модела NeMo Speech, за да персонализират приложенията така, че да разпознават специфичния за дадена индустрия жаргон на всеки език. Един недостатък: Transcribe работи със записано аудио, а не с потоци на живо.

Въпреки това компанията обещава, че Transcribe, с 30 милиарда параметъра, може да работи на един чип — от контролера за роботика Jetson AGX Thor и чипа DGX Spark, захранващ нови лаптопи, до чиповете Blackwell за центрове за данни. Той се присъединява към гласовите модели на Nvidia с отворени тегла, включително изключително малкия, но мощен Parakeet (1,1 милиарда параметъра).

Най-новото гласово решение на Nvidia се появява в натоварен период на пускане на продукти за гласов изкуствен интелект: Mistral представи Voxtral 3 по-рано този месец; ElevenLabs пусна Realtime за незабавна реч в гласови агенти; а Salesforce представи Launa-Omni, своя гласов модел.