Nvidia frigiver Nemotron 3.5 til 40 sprog
Den åbne model transskriberer optagelser på op til en time og skelner op til otte talere, men virker ikke på live-strømme.
Gratis model til 40 sprog
Onsdag lagde Nvidia Nemotron 3.5 Transcribe ud som en gratis model med åbne vægte – det vil sige, at alle kan hente den og bygge videre på den. Den transskriberer tale på op til 40 sprog.
Modellen har 30 milliarder parametre, som er de justerbare tal, der udgør en AI-model. Alligevel oplyser Nvidia, at den kan køre på en enkelt chip: fra robotcontrolleren Jetson AGX Thor og DGX Spark, der sidder i nye laptops, til selskabets Blackwell-chips i datacentre.
- Sprog Nemotron 3.5 Transcribe kan transskribere ifølge Nvidia
- 40 sprog
- Sprog modellen kan oversætte til og fra engelsk
- 31 sprog
- Modellens størrelse; Nvidia oplyser, at den kan køre på én chip
- 30 mia. parametre
Otte stemmer i samme optagelse
Nvidia fremhæver, at modellen kan skelne op til otte talere i samme lydfil og håndtere optagelser, der varer op til en time. Den kan desuden oversætte mellem engelsk og 31 sprog.
Selskabet hævder, at modellen slår konkurrenterne i benchmarks, blandt andet på Hugging Faces Open ASR Leaderboard, en offentlig rangliste for talesystemer. Det er Nvidias egen opgørelse, og uafhængige målinger er ikke gengivet i kilden.
Optagede filer, ikke live-møder
En begrænsning følger med: Transcribe arbejder med optaget lyd, ikke en direkte strøm. Den kan altså ikke transskribere et møde, mens det foregår.
Nvidia peger selv på virksomhedsmøder og medicinsk transskription som de områder, udviklere typisk bygger løsninger til.
Fagsprog kræver egen tilpasning
Sammen med modellen udgiver Nvidia version 2 af Granary, et åbent datasæt med tale. Udviklere kan kombinere modellen, datasættet og værktøjer som NeMo Speech for at lære en app at genkende fagsprog på hvert enkelt sprog.
Nvidia er ikke alene om at slippe talemodeller: Mistral sendte Voxtral 3 på markedet tidligere på måneden, ElevenLabs lancerede Realtime, og Salesforce udgav Launa-Omni.
Flere detaljer
- Nvidias åbne talemodeller omfatter også Parakeet på 1,1 milliarder parametre
- Modellen kan køre på Jetson AGX Thor, DGX Spark og Blackwell-chips
- Mistral udgav Voxtral 3 tidligere på måneden
- ElevenLabs lancerede Realtime, og Salesforce udgav Launa-Omni
Kilder:
TechCrunch AI →
Genfortalt i egne ord af AI-nyheder.com · Tjek altid originalkilden, før du handler på vigtige oplysninger.