Nvidia, 40 Dili Destekleyen Yeni Açık Ağırlıklı Transkripsiyon Modelini Yayınladı

Nvidia, ses işleme teknolojilerindeki iddiasını yeni açık ağırlıklı modeli Nemotron 3.5 Transcribe ile pekiştiriyor. Sistem, özellikle iş dünyası ve sağlık sektörü gibi yüksek doğruluk gerektiren alanlarda faaliyet gösteren geliştiricileri hedefliyor.

Modelin öne çıkan özellikleri arasında 31 dilde İngilizce ile çift yönlü çeviri yapabilmesi ve bir saate kadar süren kayıtları işleyebilmesi yer alıyor. Ayrıca sistem, tek bir ses kaydında 8 farklı konuşmacıyı birbirinden ayırt edebiliyor. Nvidia, modelin Hugging Face üzerindeki Open ASR Leaderboard gibi kıyaslama testlerinde rakiplerini geride bıraktığını belirtiyor.

İlginizi çekebilir · Yapay ZekâxAI, Southaven'daki Veri Merkezi Gürültüsüne Karşı Ev Sahiplerine Satın Alma Teklifi Sunuyor

30 milyar parametreye sahip olmasına rağmen model, tek bir çip üzerinde çalışabilecek şekilde optimize edildi. Bu durum; Jetson AGX Thor robotik kontrolcülerinden, yeni nesil dizüstü bilgisayarlara güç veren DGX Spark çiplerine ve Blackwell veri merkezi donanımlarına kadar geniş bir yelpazede kullanılabilmesine imkan tanıyor. Ancak sistemin mevcut sürümü yalnızca kayıtlı ses dosyalarıyla çalışıyor; canlı yayın akışlarını desteklemiyor.

Şirket, modelin yanı sıra açık kaynaklı konuşma veri seti Granary'nin 2. sürümünü de yayınladı. Geliştiriciler, bu veri setini ve NeMo Speech gibi araçları kullanarak, belirli bir sektörün terminolojisine veya jargonuna uygun uygulamalar geliştirebiliyor. Bu yeni giriş, Mistral'in Voxtral 3, ElevenLabs'in Realtime ve Salesforce'un Launa-Omni modelleriyle hareketlenen ses tabanlı yapay zeka pazarındaki rekabeti daha da yoğunlaştırıyor.