انویدیا مدل متن‌باز جدیدی برای تبدیل گفتار به متن منتشر کرد

شرکت انویدیا مدل Nemotron 3.5 Transcribe را به عنوان یک مدل متن‌باز و رایگان عرضه کرد که قادر است صدا را در حداکثر ۴۰ زبان مختلف به متن تبدیل کند. این شرکت همچنین نسخه دوم مجموعه‌داده صوتی متن‌باز خود به نام Granary را منتشر کرد.

انویدیا اعلام کرد که مدل Nemotron 3.5 قادر است ۳۱ زبان را به انگلیسی ترجمه کند و برعکس، فایل‌های صوتی تا مدت یک ساعت را پردازش کند و حداکثر هشت گوینده مختلف را از یکدیگر تشخیص دهد. این شرکت مدعی است که مدل جدیدش در بنچمارک‌های مختلف، از جمله لیدربورد Open ASR هاگ‌فیس، رقبای خود را پشت سر گذاشته است.

این ابزارها توسعه‌دهندگانی را هدف قرار داده‌اند که اپلیکیشن‌هایی را برای جلسات کاری و روندهای پزشکی توسعه می‌دهند؛ دو حوزه که حضور هوش مصنوعی در محیط کار در آن‌ها تثبیت شده است. انویدیا می‌گوید توسعه‌دهندگان می‌توانند از این مدل، مجموعه‌داده به‌روزرسانی‌شده Granary و ابزارهای دیگر برای سفارشی‌سازی اپلیکیشن‌ها جهت تشخیص اصطلاحات تخصصی صنایع مختلف بهره ببرند. یکی از محدودیت‌های این مدل آن است که با فایل‌های صوتی ضبط‌شده کار می‌کند و از پخش زنده پشتیبانی نمی‌کند.

با این وجود، انویدیا وعده می‌دهد که مدل Transcribe با داشتن ۳۰ میلیارد پارامتر می‌تواند روی یک تراشه منفرد اجرا شود؛ از کنترل‌کننده رباتیک Jetson AGX Thor و تراشه DGX Spark گرفته تا تراشه‌های دیتاسنتر Blackwell. این مدل به جمع مدل‌های صوتی متن‌باز انویدیا می‌پیوندد.