مدل هوش مصنوعی Nemotron 3.5 انویدیا با قابلیت چندرسانه‌ای معرفی شد
شرکت انویدیا مدل هوش مصنوعی متن‌باز Nemotron 3.5 Transcribe را معرفی کرد که قابلیت ترکیب رونوشت‌برداری، ترجمه و تشخیص گوینده را دارد. این مدل با ۳۰ میلیارد پارامتر و ۴ میلیارد پارامتر فعال، روی یک پردازنده گرافیکی اجرا می‌شود و دقت بالایی در بنچمارک‌ها ثبت کرده است.
شرکت انویدیا مدل هوش مصنوعی جدیدی به نام Nemotron 3.5 Transcribe را منتشر کرده است که یک مدل متن‌باز تشخیص گفتار بوده و دستورات را به صورت متون نوشتاری دریافت می‌کند. این مدل توانایی ترکیب وظایفی همچون رونوشت‌برداری، ترجمه و تشخیص گوینده را برای حدود ۴۰ زبان مختلف دارد.
این مدل دارای ۳۰ میلیارد پارامتر است، اما در هر مرحله تنها ۴ میلیارد پارامتر آن فعال می‌شود و به همین دلیل می‌تواند روی یک پردازنده گرافیکی منفرد اجرا شود. انویدیا همچنین مجموعه داده‌ای به نام Granary v2 حاوی بیش از ۸۴۴ هزار ساعت صوت را به همراه ابزارهای تطبیق مدل برای حوزه‌های تخصصی مانند پزشکی منتشر کرده است.
مدل Nemotron 3.5 Transcribe برای پاسخ به پرسش‌های محتوای صوتی طراحی شده است و می‌تواند ضبط‌های صوتی تا یک ساعت و با حداکثر هشت گوینده را پردازش کند. کاربران می‌توانند با دستورات ساده، خروجی‌های متفاوتی مانند رونوشت با برچسب گویندگان، ترجمه انگلیسی یا خلاصه تصمیمات دریافت کنند.
در بنچمارک‌های مختلف، این مدل توانسته نتایج بسیار خوبی کسب کند و در صدر جدول مدل‌های متن‌باز قرار بگیرد. انویدیا اعلام کرده است که این مدل و مجموعه داده همراه آن روی پلتفرم Hugging Face در دسترس توسعه‌دهندگان قرار گرفته است.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.