انویدیا مدل متن‌باز جدیدی برای تبدیل گفتار به متن معرفی کرد
انویدیا مدل گفتار به متن Nemotron 3.5 Transcribe را به صورت رایگان و متن‌باز عرضه کرد. این مدل قادر است ضبط‌های صوتی را تا ۴۰ زبان مختلف پیاده‌سازی کند، اما فعلاً از صوت زنده پشتیبانی نمی‌کند.
شرکت انویدیا مدل جدید Nemotron 3.5 Transcribe را به عنوان یک مدل رایگان و با وزن‌های باز منتشر کرد که قادر است فایل‌های صوتی را به حداکثر ۴۰ زبان مختلف تبدیل به متن کند. این شرکت همچنین نسخه دوم مجموعه داده صوتی متن‌باز خود به نام Granary را ارائه داده است.
بر اساس اعلام انویدیا، مدل Nemotron 3.5 Transcribe می‌تواند ۳۱ زبان را به انگلیسی ترجمه کند، فایل‌های صوتی تا مدت یک ساعت را پردازش کند و صدای تا هشت سخنران مختلف را از یکدیگر تفکیک نماید. این ابزارها عمدتاً برای توسعه‌دهندگانی طراحی شده‌اند که برنامه‌هایی برای جلسات کاری و پیاده‌سازی پزشکی می‌سازند؛ دو حوزه‌ای که هوش مصنوعی توانسته است جایگاه محکمی در آن‌ها پیدا کند. یکی از محدودیت‌های این مدل آن است که تنها با صداهای ضبط‌شده کار می‌کند و از پخش زنده پشتیبانی نمی‌کند.
این مدل ۳۰ میلیارد پارامتری به گونه‌ای بهینه شده است که می‌تواند روی یک تراشه منفرد، از کنترل‌کننده‌های رباتیک و تراشه‌های لبه گرفته تا تراشه‌های قدرتمند دیتاسنتر بلک‌ول اجرا شود. انتشار این مدل جدید در شرایطی صورت می‌گیرد که بازار ابزارهای صوتی هوش مصنوعی بسیار داغ است و شرکت‌هایی مانند میسترال، ایون‌لبز و سیلزفورس نیز محصولات مشابهی را به بازار عرضه کرده‌اند.
Voice AI in vogue: Nvidia releases new open transcription model
Nvidia just released a free speech-to-text model that can transcribe up to 40 languages, but it only works on recordings, not live audio, so it’s a big step for meeting and medical transcription tools while still leaving real-time use to rivals like ElevenLabs.
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 livestreams.
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 a 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.
Source report: TechCrunch AI.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.