Компания Nvidia выпустила Nemotron 3.5 Transcribe — бесплатную модель с открытыми весами для расшифровки аудио на 40 языках. Одновременно разработчики представили вторую версию открытого набора речевых данных Granary. Об этом сообщает TechCrunch.
Nemotron 3.5 Transcribe умеет переводить 31 язык на английский и обратно. Модель рассчитана на записи продолжительностью до одного часа и способна различать голоса восьми участников разговора. Nvidia заявляет, что по результатам тестов система превосходит конкурирующие решения, в том числе представленные в Open ASR Leaderboard на платформе Hugging Face.
Новые инструменты предназначены для разработчиков приложений, используемых на деловых встречах и при подготовке медицинских расшифровок. Эти направления относятся к наиболее распространённым сферам применения голосовых технологий в компаниях. Модель работает с заранее записанным аудио, но не поддерживает обработку потоковых трансляций в реальном времени.
Разработчики смогут адаптировать приложения под профессиональную лексику разных отраслей и языков. Для этого Nvidia предлагает использовать Nemotron 3.5 Transcribe вместе с обновлённым набором Granary и инструментами, включая речевую модель NeMo Speech. Такой подход позволяет настраивать распознавание специализированных терминов.
Модель содержит 30 млрд параметров, однако, по утверждению Nvidia, способна работать на одном чипе. В их число входят робототехнический контроллер Jetson AGX Thor, чип DGX Spark для новых ноутбуков и серверные процессоры Blackwell. Nemotron 3.5 Transcribe дополняет линейку открытых голосовых моделей Nvidia, куда также входит компактная Parakeet с 1,1 млрд параметров.
Релиз состоялся на фоне активного обновления рынка голосовых решений. В начале этого месяца Mistral представила Voxtral 3, ElevenLabs запустила Realtime для мгновенной речи в голосовых агентах, а Salesforce выпустила голосовую модель Launa-Omni.