Голосовой ИИ на пике популярности: Nvidia выпустила новую открытую модель транскрипции
Вместе с моделью представлена вторая версия открытого речевого набора данных Granary для настройки приложений под отраслевую лексику.
Nemotron 3.5 Transcribe работает с записанным аудио и преобразует его в текст на 40 языках. Модель поддерживает записи продолжительностью до часа, переводит 31 язык на английский и обратно, а также умеет различать до восьми участников разговора. Потоковое аудио в реальном времени она не обрабатывает.
Инструмент рассчитан на разработчиков приложений для деловых встреч и медицинской транскрипции. С помощью NeMo Speech, Granary и самой модели они смогут настраивать системы на отраслевую лексику разных языков.
Компания утверждает, что модель с 30 млрд параметров способна работать на одном чипе — от контроллера для роботов Jetson AGX Thor и чипа DGX Spark до серверных решений Blackwell. Также заявлено превосходство над конкурентами в тестах, включая Open ASR Leaderboard.
