Nvidia ima novi AI model za transkripciju zvuka na 40 jezika
Novi Nemotron 3.5 Transcribe objedinjuje transkripciju, prepoznavanje govornika i prevođenje u jednom modelu, a Nvidia tvrdi da postiže vrlo dobre rezultate na standardiziranim testovima
Nvidia je predstavila Nemotron 3.5 Transcribe, novi model umjetne inteligencije namijenjen obradi govora, transkripciji i prevođenju zvučnih zapisa. Za razliku od sustava koji zahtijevaju nekoliko zasebnih modela za različite zadatke, Nemotron objedinjuje transkripciju, prepoznavanje govornika i razumijevanje sadržaja snimke.
Kako Nvidia navodi u svom priopćenju, model podržava transkripciju na 40 jezika, dok se prevođenje može provoditi između engleskog i 31 podržanog jezika. Sustav može razlikovati do osam govornika te obrađivati snimke trajanja do jednog sata. Korisnici mu mogu zadavati upute prirodnim jezikom, primjerice, zatražiti prijepis sastanka s označenim govornicima ili izdvojiti koje su odluke na sastanku donešene.
Nadalje, napominje se da Nemotron 3.5 Transcribe koristi arhitekturu s približno 4,3 milijarde aktivnih parametara. Nvidia tvrdi da je model zauzeo prvo mjesto na ljestvici Hugging Face Open ASR te drugo mjesto među modelima s javno dostupnim težinama na ljestvici Artificial Analysis. Ti rezultati temelje se na određenim skupovima testnih podataka i ne znače nužno da će model biti jednako precizan na svim jezicima i vrstama snimki.
Posebnost je i dostupnost težina modela, što programerima omogućuje prilagodbu i izvođenje u vlastitoj infrastrukturi. Time se otvara mogućnost obrade zvučnih zapisa bez obveznog slanja podataka vanjskom pružatelju AI usluge. Model je već objavljen na Hugging Faceu, a Nvidia najavljuje i dodatno optimizirane verzije za lokalno izvršavanje.
