Тус компани 40 хүртэлх хэлийг дэмжих чадвартай Nemotron 3.5 Transcribe нээлттэй загвар болон Granary мэдээллийн сангийн хоёрдугаар хувилбарыг танилцууллаа.
Nvidia лхагва гарагт Nemotron 3.5 Transcribe нэртэй, нээлттэй жинтэй шинэ загвараа гаргаснаа зарлав. Энэхүү загвар нь 40 хүртэлх хэл дээрх аудиог текст хэлбэрт хөрвүүлэх чадвартай бөгөөд 31 хэлийг англи хэл рүү болон англи хэлнээс шууд орчуулах боломжтой юм. Мөн тус компани өөрийн нээлттэй эх бүхий ярианы Granary мэдээллийн сангийн хоёрдугаар хувилбарыг олон нийтэд хүргэлээ.
Шинэ загвар нь нэг цаг хүртэлх урттай бичлэгийг боловсруулж, найман хүртэлх өөр яригчийг ялгах чадамжтай. Hugging Face платформын Open ASR тэргүүлэгчдийн жагсаалтад багтсан бусад өрсөлдөгч загваруудаас давуу үзүүлэлттэй гэдгээ Nvidia онцолсон байна. Гэсэн хэдий ч тус хэрэгсэл нь зөвхөн урьдчилан бичигдсэн аудио файлуудтай ажилладаг бөгөөд шууд дамжуулалт (live stream) дээр ажиллах боломжгүй юм.
Энэхүү шийдэл нь ажил хэргийн уулзалт болон эмнэлгийн салбарт яриаг текстэд хөрвүүлэх программ хангамж хөгжүүлэгчдэд зориулагдсан болно. Хөгжүүлэгчид NeMo Speech болон шинэчилсэн Granary мэдээллийн санг ашиглан өөрсдийн аппликейшнийг тухайн салбарын нэр томьёог таних байдлаар тохируулах боломжтой. 30 тэрбум параметртэй Nemotron 3.5 загварыг Jetson AGX Thor роботын хянагч, шинэ зөөврийн компьютеруудад ашиглагдах DGX Spark чип болон Blackwell дата төвийн чипүүд дээр ажиллуулах боломжтой гэж Nvidia мэдэгдлээ.
Сүүлийн үед хиймэл оюун ухааны дуу хоолойн технологийн салбар эрчимтэй хөгжиж байна. Энэхүү өрсөлдөөнт зах зээлд Mistral компани Voxtral 3 загвараа, ElevenLabs компани Realtime үйлчилгээгээ, харин Salesforce компани Launa-Omni загвараа тус тус танилцуулаад байна.
Дэлгэрэнгүйг эх сурвалжаас харах
↓Эх сурвалжийг нээх ↓
Nvidia on Wednesday released Nemotron 3.5 Transcribe, a free, open-weight model that transcribes audio in up to 40 languages. It also released version 2 of Granary, its open-source speech dataset.
Nvidia boasts that Nemotron 3.5 can translate 31 languages to and from English, handle recordings up to an hour long, and tell up to eight speakers apart. It claims to beat rivals on benchmarks, including Hugging Face’s Open ASR Leaderboard.
These tools target developers building apps for business meetings and medical transcription, two of AI’s most established footholds in the workplace. Nvidia says developers can use the model, the updated Granary dataset, and tools like its NeMo Speech model to customize apps to recognize an industry’s jargon in each language. One drawback: Transcribe works with recorded audio, not live streams.
Still, the company promises Transcribe, at 30 billion parameters, can run on a single chip, from the Jetson AGX Thor robotics controller and DGX Spark chip powering new laptops, to Blackwell datacenter chips. It joins Nvidia’s open-weight voice models, including the super small yet powerful Parakeet (1.1 billion parameters).
Nvidia’s latest voice entry comes during busy period of AI voice releases: Mistral shipped Voxtral 3 earlier this month; ElevenLabs launched Realtime for instant speech in voice agents; and Salesforce released Launa-Omni, its voice model.
