Nvidia выпустила открытую модель распознавания речи Nemotron 3.5 Transcribe
Производитель чипов и разработчик ИИ Nvidia в среду выпустила бесплатную модель с открытыми весами Nemotron 3.5 Transcribe, которая расшифровывает аудио на 40 языках. Также обновлён открытый речевой датасет Granary.
Американская компания Nvidia, производитель чипов и разработчик инструментов искусственного интеллекта, в среду, 28 октября, представила новую модель распознавания речи Nemotron 3.5 Transcribe. Это бесплатная модель с открытыми весами (open-weight), превращающая аудиозаписи в текст на 40 языках. Она рассчитана на разработчиков, создающих приложения для деловых встреч и медицинской транскрибации — две сферы, где ИИ на рабочих местах закрепился лучше всего.
Вместе с моделью Nvidia выпустила вторую версию Granary — своего речевого датасета с открытым исходным кодом.
Возможности модели
По данным Nvidia, Nemotron 3.5 умеет переводить 31 язык на английский и с английского, обрабатывать записи длительностью до часа и различать до восьми говорящих. Компания утверждает, что модель превосходит конкурентов в ряде тестов, включая Open ASR Leaderboard от Hugging Face — рейтинг систем автоматического распознавания речи.
Разработчики смогут использовать модель, обновлённый датасет Granary и инструменты вроде NeMo Speech, чтобы настраивать приложения на профессиональный жаргон отрасли на каждом языке.
Ограничения и оборудование
Один из недостатков: Transcribe работает с готовыми записями, а не с прямыми трансляциями. У модели 30 миллиардов параметров, и, как обещает Nvidia, она способна работать на одном чипе — от робототехнического контроллера Jetson AGX Thor и чипа DGX Spark, на котором работают новые ноутбуки, до чипов Blackwell для дата-центров.
Модель пополнила линейку открытых голосовых моделей Nvidia, в которую входит и компактная Parakeet с 1,1 миллиарда параметров.
Оживлённый сегмент голосового ИИ
Новинка вышла в насыщенный период для голосовых ИИ-продуктов: Mistral ранее в этом месяце выпустила Voxtral 3, ElevenLabs запустила Realtime для мгновенной речи в голосовых агентах, а Salesforce представила свою голосовую модель Launa-Omni.
