Компания Nvidia представила модель Nemotron 3.5 Transcribe — бесплатное решение с открытыми весами, предназначенное для расшифровки аудиозаписей на 40 языках. Об этом сообщает TechCrunch. Одновременно был выпущен второй вариант набора речевых данных Granary, который также доступен с открытым исходным кодом.
По заявлению Nvidia, Nemotron 3.5 Transcribe умеет переводить с 31 языка на английский и обратно, обрабатывать записи длительностью до часа и различать до восьми говорящих. Компания утверждает, что модель опережает конкурентов в тестах, в том числе в рейтинге Open ASR Leaderboard (открытая таблица лидеров по распознаванию речи) от Hugging Face.
Новые инструменты рассчитаны на разработчиков приложений для деловых встреч и медицинской расшифровки — двух наиболее освоенных сфер применения искусственного интеллекта на работе. По словам Nvidia, специалисты могут использовать модель, обновлённый набор Granary и инструменты вроде NeMo Speech, чтобы настроить приложения на распознавание отраслевой терминологии на каждом языке. Одно ограничение: Transcribe работает с записанным аудио, а не с прямыми трансляциями.
Тем не менее компания обещает, что модель с 30 миллиардами параметров сможет работать на одном чипе — от контроллера для роботов Jetson AGX Thor и чипа DGX Spark, на котором основаны новые ноутбуки, до серверных чипов Blackwell. Она пополнит линейку голосовых моделей Nvidia с открытыми весами, включая компактную, но мощную Parakeet (1,1 миллиарда параметров).
Релиз Nvidia пришёлся на период активного выпуска голосовых ИИ-продуктов: в начале месяца Mistral представила Voxtral 3, ElevenLabs запустила Realtime для мгновенной речи в голосовых агентах, а Salesforce выпустила свою голосовую модель Launa-Omni.