Nvidia представила новую открытую модель транскрипции аудио

TechCrunch сообщает, что Nvidia в среду выпустила модель Nemotron 3.5 Transcribe, которая бесплатно транскрибирует аудио на 40 языках. Также была представлена версия 2 набора данных Granary, открытого для использования. Nvidia утверждает, что Nemotron 3.5 может переводить 31 язык на английский и обратно, обрабатывать записи длительностью до одного часа и различать до восьми говорящих. Компания заявляет, что её модель превосходит конкурентов по бенчмаркам, включая лидерство Hugging Face в области автоматического распознавания речи. Эти инструменты нацелены на разработчиков, создающих приложения для бизнес-встреч и медицинской транскрипции, что является одним из наиболее устоявшихся направлений применения ИИ на рабочем месте. Nvidia утверждает, что разработчики могут использовать модель, обновлённый набор данных Granary и такие инструменты, как модель NeMo Speech, для настройки приложений на распознавание терминологии в каждой отрасли на различных языках. Однако есть один недостаток: Transcribe работает только с записанным аудио, а не с прямыми трансляциями. Тем не менее, компания обещает, что Transcribe, имеющая 30 миллиардов параметров, может работать на одном чипе, начиная от контроллера робототехники Jetson AGX Thor и чипа DGX Spark, который используется в новых ноутбуках, до чипов дата-центров Blackwell. Эта модель присоединяется к открытым голосовым моделям Nvidia, включая очень маленькую, но мощную модель Parakeet (1,1 миллиарда параметров). Последний релиз Nvidia происходит в период активного выпуска голосовых технологий ИИ: в этом месяце Mistral выпустила Voxtral 3, ElevenLabs представила Realtime для мгновенной речи в голосовых агентах, а Salesforce выпустила модель Launa-Omni. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.