هوش مصنوعی صوتی در مد: انویدیا مدل رونویسی باز جدیدی را منتشر کرد

انویدیا روز چهارشنبه Nemotron 3.5 Transcribe را منتشر کرد، یک مدل رایگان و با وزن باز که صدا را به حداکثر 40 زبان رونویسی می کند. همچنین نسخه 2 Granary، مجموعه داده گفتار منبع باز خود را منتشر کرد.

انویدیا به خود می بالد که Nemotron 3.5 می تواند 31 زبان را به انگلیسی و از انگلیسی ترجمه کند، ضبط ها را تا یک ساعت انجام دهد و تا 8 سخنران را از هم تفکیک کند. این شرکت ادعا می کند که در معیارها، از جمله Hugging Face's Open ASR Leaderboard، رقبای خود را شکست می دهد.

این ابزارها توسعه‌دهندگانی را هدف قرار می‌دهند که برنامه‌هایی را برای جلسات کاری و رونویسی پزشکی می‌سازند، دو مورد از تثبیت‌ترین پایگاه‌های هوش مصنوعی در محل کار. انویدیا می گوید توسعه دهندگان می توانند از این مدل، مجموعه داده Granary به روز شده و ابزارهایی مانند مدل NeMo Speech برای سفارشی کردن برنامه ها برای تشخیص اصطلاحات تخصصی صنعت در هر زبان استفاده کنند. یک اشکال: رونویسی با صدای ضبط شده کار می کند، نه با پخش جریانی زنده.

با این حال، این شرکت قول می‌دهد که Transcribe با 30 میلیارد پارامتر، می‌تواند روی یک تراشه واحد اجرا شود، از کنترل‌کننده روباتیک Jetson AGX Thor و تراشه DGX Spark که لپ‌تاپ‌های جدید را تغذیه می‌کند تا تراشه‌های مرکز داده Blackwell. این مدل به مدل‌های صدای باز انویدیا، از جمله Parakeet بسیار کوچک و در عین حال قدرتمند (1.1 میلیارد پارامتر) می‌پیوندد.

آخرین نسخه صوتی انویدیا در دوره شلوغ انتشار صدای هوش مصنوعی ارائه می شود: Mistral Voxtral 3 را در اوایل این ماه عرضه کرد. ElevenLabs Realtime را برای سخنرانی فوری در عوامل صوتی راه اندازی کرد. و Salesforce مدل صدای Launa-Omni را منتشر کردند.

One Pass بخرید، جلد دوم رایگان را در بوت کمپ نهایی سال TechCrunch با آوردن هم بنیانگذار یا شریک خود به صورت کتاب رایگان قبل از انقضای قرارداد BOGO دریافت کنید.