Nvidia objavila otvoreni model za transkripciju do 40 jezika
Nvidia je objavila Nemotron 3.5 Transcribe, besplatan model otvorenih težina za transkripciju audio-snimaka na do 40 jezika, uz izdanje druge verzije otvorenog skupa podataka Granary. Kompanija navodi da model može da prevodi 31 jezik u oba smera sa engleskim, obrađuje snimke duge do jednog sata i razlikuje do osam govornika.
Rešenje je namenjeno programerima koji grade aplikacije za poslovne sastanke i medicinsku transkripciju. Nvidia ga svrstava među modele za govor koji se mogu prilagođavati terminologiji određene industrije i jezika.
Otvorene težine i prilagođavanje stručnom rečniku
Uz model, Nvidia je objavila Granary 2 i upućuje programere na alate kao što je NeMo Speech za prilagođavanje aplikacija. Takvo prilagođavanje je bitno kada automatski zapis treba da prepozna nazive proizvoda, stručne izraze ili specifičan rečnik koji opšti sistemi često pogrešno beleže.
Nvidia tvrdi da Nemotron 3.5 Transcribe nadmašuje konkurente na merilima, uključujući Hugging Face Open ASR Leaderboard. Tvrdnju treba čitati u kontekstu načina na koji je određeno merilo sastavljeno: poslovni timovi bi kvalitet transkripcije trebalo da provere na sopstvenim jezicima, govornicima i vrstama snimaka.
Jedan čip, ali bez rada nad zvukom uživo
Model ima 30 milijardi parametara, a Nvidia navodi da može da radi na jednom čipu. Kao primere hardvera kompanija ističe Jetson AGX Thor kontroler za robotiku, DGX Spark čip namenjen novim laptopovima i Blackwell čipove za data centre. U postojećoj Nvidia ponudi glasovnih modela nalazi se i Parakeet sa 1,1 milijardom parametara.
Važno ograničenje je to što Transcribe radi nad već snimljenim zvukom, a ne nad prenosima uživo. Zato nije direktna zamena za sisteme kojima je potrebna trenutna obrada razgovora u glasovnim agentima ili tokom poziva.
Konkurencija u glasovnoj veštačkoj inteligenciji
Objava stiže dok se ponuda glasovnih modela ubrzano širi: Mistral je ovog meseca objavio Voxtral 3, ElevenLabs je predstavio Realtime za trenutni govor u glasovnim agentima, a Salesforce model Launa-Omni. U tom tržišnom okviru, ulaganja u kompanije koje razvijaju glasovne modele pokazuje da se konkurencija širi i kroz ulaganja u kompanije koje razvijaju glasovne modele.
Za poslovnu primenu najrazumniji sledeći korak jeste pilot sa reprezentativnim snimcima, jasnim pravilima za obradu osetljivog zvuka i proverom tačnosti po jeziku i stručnom rečniku, jer dostupnost otvorenih težina sama po sebi ne garantuje pouzdan zapis u konkretnom procesu.