Společnost Nvidia rozšířila své portfolio nástrojů pro umělou inteligenci o Nemotron 3.5 Transcribe, nový otevřený model určený pro přepis zvuku, a zároveň představila druhou verzi své otevřené datové sady Granary. Tyto novinky jsou navrženy s ohledem na vývojáře, kteří se zabývají tvorbou pokročilých aplikací pro zpracování přirozeného jazyka.
Nemotron 3.5 Transcribe vyniká schopností přepsat zvukový záznam až ve 40 jazycích a nabídnout obousměrný překlad mezi 31 jazyky a angličtinou. Model si poradí se záznamy o délce až jedné hodiny a je schopen rozlišit až osm různých mluvčích v rámci jednoho dialogu, což je klíčové pro aplikace zaměřené na konferenční hovory nebo rozhovory.
V rámci interních testů a srovnání s konkurencí Nemotron 3.5 Transcribe prokazatelně dosahuje špičkových výsledků. Je primárně určen pro vývojáře vytvářející aplikace pro firemní schůzky a lékařskou transkripci, oblasti, kde je přesný a spolehlivý přepis řeči zásadní. Díky možnosti kombinace s aktualizovanou datovou sadou Granary a nástroji jako je NeMo Speech mohou vývojáři své aplikace přizpůsobit tak, aby rozpoznávaly specifickou terminologii a žargon v daném odvětví.
Jedním z omezení současné verze je, že model funguje pouze s předem nahraným zvukem a zatím nepodporuje přepis živých streamů. Přesto se jedná o impozantní nástroj s 30 miliardami parametrů, který je navržen tak, aby mohl efektivně běžet i na jediném čipu, od embeddovaných zařízení jako Jetson AGX Thor a čipů pro notebooky DGX Spark, až po výkonné datacenterové čipy Blackwell. Společně s dalšími modely s otevřenou váhou, jako je například kompaktní, ale výkonný Parakeet s 1,1 miliardou parametrů, Nvidia nadále posiluje svou pozici v oblasti otevřených AI řešení.
Potřebujete pomoc s webem nebo aplikací?
Ozvěte se mi — do 24 hodin se Vám ozvu zpět s návrhem dalšího postupu.
Nové řešení od Nvidie přichází v době zvýšené aktivity na trhu s hlasovými technologiemi, kde je patrný trend k rozvoji a uvolňování stále pokročilejších modelů pro práci s řečí a hlasem.