Asosiy ma’lumotlar
- Nemotron 3.5 Transcribe — 30 milliard parametrli ochiq model, 40 tagacha tilni qo‘llab-quvvatlaydi
- 31 tildan ingliz tiliga va ingliz tilidan o‘sha tillarga tarjima qiladi, bir soatgacha bo‘lgan yozuvlar bilan ishlaydi, 8 tagacha gapiruvchini ajratadi
- Faqat yozib olingan audio bilan ishlaydi, oqimli translyatsiyalar bilan emas; bitta chipda ishlaydi — Jetson AGX Thor’dan Blackwellgacha
Nvidia ochiq transkripsiya modelini chiqardi
Nvidia chorshanba kuni Nemotron 3.5 Transcribe modelini taqdim etdi — bu 40 tilga ega bo‘lgan, audio transkripsiyasi uchun bepul open-weight model bo‘lib, undan tashqari ochiq Granary nutq ma’lumotlar to‘plamining ikkinchi versiyasi ham taqdim etildi. Kompaniya ma’lumotlariga ko‘ra, model 31 tildan ingliz tiliga va ingliz tilidan o‘sha tillarga tarjima qiladi, bir soatgacha bo‘lgan yozuvlarni qayta ishlaydi va sakkiztagacha gapiruvchini ajratadi. Nvidia shuningdek, model Hugging Face’dagi Open ASR Leaderboard jumladan boshqa benchmarklarda raqobatchilardan ustun ekanligini da’vo qilmoqda.
Kim uchun va qanday cheklovlar bilan
Bu vositalar biznes uchrashuvlarini yozib olish va tibbiy transkripsiya ilovalarini ishlab chiquvchilarga mo‘ljallangan — bu ish joyidagi sun’iy intellektning ikkita keng tarqalgan yo‘nalishi. Model, yangilangan Granary va NeMo Speech kabi vositalar yordamida ishlab chiquvchilar ilovalarni har bir tildagi sohaviy terminologiyaga moslashtirishi mumkin. Muhim cheklov: Transcribe faqat yozib olingan audio bilan ishlaydi, jonli translyatsiyalar bilan emas.
Apparat talablari va bozor konteksti
Nvidia ma’lumotlariga ko‘ra, 30 milliard parametrli model bitta chipda ishlashi mumkin — robototexnika kontrolleri Jetson AGX Thor va unda ishlaydigan yangi noutbuklaruchun DGX Spark chipidan tortib, data-markaz chipi Blackwellgacha. U kompaniyaning open-weight ovozli modellari qatorini to‘ldiradi, bu qatorda ixcham Parakeet (1,1 milliard parametr) ham bor.
Ovozli sun’iy intellekt relizlari to‘lqini
Reliz ovozli sun’iy intellekt uchun sermahsul davrga to‘g‘ri keldi: Mistral shu oyning boshlarida Voxtral 3modelini chiqardi, ElevenLabs ovozli agentlar uchun bir zumda nutq uchun mo‘ljallangan Realtime’ni ishga tushirdi, Salesforce esa o‘z ovozli modeli Launa-Omnini taqdim etdi. Shu tariqa, Nemotron 3.5 Transcribe bir vaqtda bir nechta kompaniya nutqni tanish va sintez qilish sohasidagi takliflarini kengaytirayotgan bozorga chiqmoqda.
