Nvidia Çarşamba günü Nemotron 3.5 Transcribe modelini tanıttı. Ücretsiz ve açık ağırlıklı olan model 40 dile kadar ses transkripsiyonu yapabiliyor. Şirket ayrıca açık kaynaklı konuşma veri seti Granary'nin 2. sürümünü de yayımladı.
Nvidia, Nemotron 3.5'in İngilizce ile 31 dili karşılıklı çevirebildiğini, bir saate kadar uzun kayıtları işleyebildiğini ve en fazla sekiz konuşmacıyı ayırt edebildiğini belirtiyor. Şirket, modelin Hugging Face'in Open ASR Leaderboard'ı da dahil olmak üzere kıyaslamalarda rakiplerini geride bıraktığını iddia ediyor.
Bu araçlar, iş toplantıları ve tıbbi transkripsiyon gibi yapay zekânın iş yerinde en köklü olduğu alanlar için uygulama geliştirenleri hedefliyor. Nvidia'ya göre geliştiriciler, modeli, güncellenmiş Granary veri setini ve NeMo Speech gibi araçları kullanarak uygulamaları her dilde bir sektörün jargonunu tanıyacak şekilde özelleştirebilir. Bir sınırlama olarak Transcribe, canlı yayınlarla değil kaydedilmiş sesle çalışıyor.
Şirket, 30 milyar parametre ile Transcribe'ın tek bir çip üzerinde çalışabileceğini vaat ediyor. Jetson AGX Thor robotik denetleyicisi ve yeni dizüstü bilgisayarları güçlendiren DGX Spark çipinden Blackwell veri merkezi çiplerine kadar destek sunuluyor. Model, 1,1 milyar parametreli süper küçük ama güçlü Parakeet dahil Nvidia'nın açık ağırlıklı ses modelleri ailesine katılıyor.
Nvidia'nın bu son ses hamlesi, yapay zekâ ses modellerinin yoğun şekilde duyurulduğu bir döneme denk geliyor. Mistral bu ayın başlarında Voxtral 3'ü gönderdi; ElevenLabs ses ajanlarında anlık konuşma için Realtime'ı başlattı; Salesforce da ses modeli Launa-Omni'yi yayımladı.
