Компанія Nvidia офіційно презентувала Nemotron 3.5 Transcribe — нову безплатну модель із відкритими вагами, призначену для транскрипції аудіозаписів на 40 мовах. Разом із цим релізом виробник опублікував другу версію свого відкритаго датасету для навчання мовних систем Granary.
За заявами розробників, нова модель здатна здійснювати переклад на англійську мову та з неї для 31 мови, обробляти годинні аудіозаписи та розпізнавати до восьми різних спікерів в одному потоці. У компанії також стверджують, що новинка демонструє кращі результати на бенчмарках порівняно з аналогами, зокрема на відкритій таблиці лідерів ASR від Hugging Face.
Інструменти орієнтовані на розробників програмного забезпечення, які створюють додатки для робочих зустрічей та медичної документації — у цих сферах технології штучного інтелекту вже міцно закріпилися. Використовуючи Nemotron 3.5 Transcribe, оновлений набір даних Granary та модель NeMo Speech, фахівці зможуть адаптувати софт під специфічну галузеву термінологію. Водночас головним обмеженням системи є робота виключно із записаними аудіофайлами, а не з трансляціями в реальному часі.
Архітектура моделі налічує 30 мільярдів параметрів, проте в компанії запевняють, що система оптимізована для запуску на одному чипі. Серед підтримуваних апаратних платформ значаться робототехнічний контролер Jetson AGX Thor, чипи DGX Spark для сучасних ноутбуків, а також сервери на базі чіпів Blackwell для дата-центрів. Новинка доповнила лінійку відкритих мовних моделей Nvidia, куди вже входить компактніша, але ефективна система Parakeet із 1,1 мільярда параметрів.
Поява нової розробки відбулася на тлі активізації конкурентів у сегменті голосових технологій штучного інтелекту. Раніше цього місяця компанія Mistral представила модель Voxtral 3, ElevenLabs випустила інструмент Realtime для миттєвої генерації мови в голосових агентах, а Salesforce презентувала омніканальну систему Launa-Omni.
Джерела: techcrunch.com, huggingface.co
