Nvidia otwiera kolejny front w walce o głos. Nowy model transkrybuje nagrania w 40 językach
By Paweł Lisowski
Spis treści
Nvidia udostępniła Nemotron 3.5 Transcribe, otwarty model rozpoznawania mowy przeznaczony do pracy z nagranymi plikami audio. Według firmy narzędzie obsługuje do 40 języków, potrafi rozdzielić wypowiedzi maksymalnie ośmiu osób i przetwarzać nagrania trwające do godziny.
Model może tłumaczyć 31 języków na angielski i z angielskiego. Nvidia przedstawia go jako rozwiązanie dla aplikacji do transkrypcji spotkań, obsługi klienta oraz dokumentacji medycznej. W praktyce oznacza to możliwość budowania własnego narzędzia bez oddawania nagrań zewnętrznemu dostawcy API, choć jakość wyniku nadal będzie zależeć od mikrofonu, hałasu i specjalistycznego słownictwa.
Istotnym elementem premiery jest druga wersja Granary, otwartego zbioru danych mowy. Razem z narzędziami NeMo Speech ma on ułatwić dostrajanie systemu do konkretnej branży, języka lub akcentu. To szczególnie ważne w medycynie, prawie i finansach, gdzie pojedyncza pomyłka w nazwie własnej albo terminie może zmienić sens całej notatki.
Najważniejsze ograniczenie jest proste: Nemotron 3.5 Transcribe działa na nagraniach, a nie na strumieniu na żywo. Nie zastąpi więc bezpośrednio napisów generowanych podczas rozmowy czy głosowego agenta. Nvidia deklaruje przy tym, że model ma 30 miliardów parametrów i może działać na jednym układzie, od Jetson AGX Thor i DGX Spark po akceleratory Blackwell. To obietnica dotycząca wdrożenia, którą deweloperzy będą musieli ocenić na własnym sprzęcie i z własnymi danymi.
Premiera wpisuje się w szerszy wyścig o narzędzia głosowe. W dokumentacji NeMo Nvidia opisuje również mniejszy, 600-milionowy model Nemotron 3.5 ASR do wielojęzycznego rozpoznawania mowy w czasie rzeczywistym. Nie należy utożsamiać go z opisywanym tutaj Transcribe: pierwszy odpowiada na scenariusze streamingowe, drugi według informacji z premiery skupia się na przetwarzaniu gotowych nagrań. Dla użytkownika wybór sprowadza się więc przede wszystkim do pytania, czy tekst ma powstać po spotkaniu, czy jeszcze w jego trakcie.
Źródła
Autor Artykułu
Paweł Lisowski
Paweł Lisowski - pasjonat technologii, komputerów i internetu. Od wielu lat śledzi rozwój sprzętu i oprogramowania, testuje nowe rozwiązania i dzieli się wiedzą z czytelnikami. Zafascynowany wpływem technologii na codzienne życie, tworzy praktyczne poradniki i inspiruje do świadomego korzystania z cyfrowego świata.