فهرست مطالب
شرکت انویدیا از مدل متن‌باز و رایگان Nemotron 3.5 Transcribe با قابلیت تبدیل صوت به متن در چهل زبان مختلف و نسخه دوم مجموعه داده Granary رونمایی کرد.
شرکت انویدیا در روز چهارشنبه از مدل متن‌باز و رایگان Nemotron 3.5 Transcribe رونمایی کرد که قابلیت تبدیل صوت به متن را در حداکثر ۴۰ زبان مختلف دارد. این شرکت همچنین نسخه دوم از مجموعه داده صوتی متن‌باز خود به نام Granary را به بازار عرضه کرد تا ابزارهای پیشرفته‌تری در اختیار توسعه‌دهندگان قرار گیرد.
شرکت انویدیا ادعا می‌کند که Nemotron 3.5 می‌تواند ۳۱ زبان را به انگلیسی و برعکس ترجمه کند، فایل‌های صوتی تا مدت زمان یک ساعت را پردازش کند و حداکثر هشت گوینده مختلف را از یکدیگر تشخیص دهد. این مدل بر اساس معیارهای سنجش عملکرد، از جمله جدول امتیازدهی Open ASR در Hugging Face، رقبای خود را پشت سر می‌گذارد.
کاربرد در جلسات و متون پزشکی
این ابزارها توسعه‌دهندگانی را هدف قرار داده‌اند که درحال ساخت برنامه‌های کاربردی برای جلسات کاری و پیاده‌سازی متون پزشکی هستند؛ این موارد دو حوزه از قدیمی‌ترین کاربردهای هوش مصنوعی در محیط کار به‌شمار می‌روند.
توسعه‌دهندگان می‌توانند از این مدل، مجموعه داده به‌روزرسانی‌شده Granary و ابزارهایی مانند مدل NeMo Speech برای شخصی‌سازی برنامه‌ها به منظور تشخیص اصطلاحات تخصصی هر صنعت در هر زبان استفاده کنند. البته Transcribe تنها با فایل‌های صوتی ضبط‌شده کار می‌کند و از پخش زنده پشتیبانی نمی‌کند.
اجرا روی یک تراشه
به‌نقل از تک‌کرانچ، شرکت سازنده وعده می‌دهد که مدل Transcribe با ۳۰ میلیارد پارامتر می‌تواند صرفا روی یک تراشه اجرا شود؛ از کنترل‌کننده رباتیک Jetson AGX Thor و تراشه DGX Spark گرفته تا تراشه‌های مرکز داده Blackwell.
این محصول به جمع مدل‌های صوتی متن‌باز شرکت Nvidia می‌پیوندد که شامل مدل Parakeet با ۱.۱ میلیارد پارامتر می‌شود. جدیدترین محصول صوتی این شرکت درحالی معرفی شده است که شرکت‌های دیگر مانند Mistral با مدل Voxtral 3، شرکت ElevenLabs با سیستم Realtime و شرکت Salesforce با مدل Launa-Omni فعالیت‌های مشابهی داشته‌اند.
