Nvidia çərşənbə günü Nemotron 3.5 Transcribe-i buraxdı. Bu pulsuz, açıq çəkili bir modeldir ki, 40 dildə audio transkriptasiya edir. O, həmçinin açıq mənbəli danışıq məlumat dəstinin olan Granary-nin 2-ci versiyasını buraxdı.
Nvidia, Nemotron 3.5 -nin 31 dilə ingilis dilindən tərcümə edə biləcəyini, bir saata qədər uzunluqlu qeydləri idarə edə biləcəyini və səkkiz nəfərdən çox danışmanı ayırd edə biləcəyini iddia edir. O, Hugging Face'ın Open ASR Leaderboard'u da daxil olmaqla rəqiblərini benchmarklarda məğlub etdiyini iddia edir.
Bu vasitələr iş yerlərində ən çox yerləşən AI lərin ikisidir. Nvidia deyir ki, inkişaf etdiricilər modeldən, yenilənmiş Granary məlumat dəstindən və NeMo Speech modelindən istifadə edərək tətbiqləri hər dildə sənaye jarqonu tanımaq üçün özelleştirip istifadə edə bilərlər. Bir mənfi cəhət: Transkript işləri canlı yayımlarla deyil, qeyd olunan səslə.
Lakin şirkət Transcribe-nin 30 milyard parametrlə Jetson AGX Thor robot nəzarətçisindən və yeni noutbuklara güc verən DGX Spark çipindən Blackwell məlumat mərkəzi çiplərinə qədər tək bir çiplə işləyə biləcəyini vəd edir. Bu, Nvidia 'nın açıq çəkisi olan səs modellərinə, o cümlədən super kiçik, lakin güclü Parakeet'ə (1.1 milyard parametr) qoşulur.
Nvidia'nın son səs girişləri süni intellektin səs buraxılışlarının məşhur dövründə baş verir: Mistral bu ayın əvvəlində Voxtral 3 -ni göndərdi; ElevenLabs səs agentlərində dərhal danışıq üçün Realtime -ni buraxdı; və Salesforce səs modeli olan Launa-Omni -ni buraxdı.
Xülasə — davamını mənbədə oxuyun.
