NVIDIA-ն թողարկում է Nemotron 3.5 Transcribe Open-Weight Speech մոդելը. Տառադարձում է 40 լեզու՝ 463,062 ժամ տևողությամբ աուդիո տվյալների հավաքածուով։
Հոկտեմբերի 28-ին NVIDIA-ն թողարկեց Nemotron 3.5 Transcribe-ը՝ բաց կշռի խոսքի մոդել, որը համատեղում է բազմալեզու տառադարձությունը, խոսողի վերագրումը, թարգմանությունը և աուդիո հարց ու պատասխանը մեկ ստուգիչ կետում: Դրան զուգահեռ, ընկերությունը թողարկեց Granary v2-ը՝ բաց խոսքի տվյալների հավաքածու և կուրատորային խողովակաշար, որի հանրային մանիֆեստը ներառում է 463,062 ժամ աուդիո՝ 48 լեզուներով:
NVIDIA-ի հայտարարության համաձայն, մոդելը տառադարձում է 40 լեզու, թարգմանում է դրանցից 31-ը անգլերենից կամ անգլերենից, և վերագրում է 13 լեզվով խոսողներին։ Այն մշակում է մինչև մեկ ժամ տևողությամբ ձայնագրություններ և պիտակավորում մինչև ութ խոսողի։ Մոդելն օգտագործում է 34 միլիարդ պարամետրանոց հիբրիդային փորձագետների խառնուրդի դեկոդեր (30B-A4B), որը ակտիվացնում է մոտավորապես 4.3 միլիարդ պարամետր յուրաքանչյուր թոքենի համար և մատակարարվում է BF16, FP8 և NVFP4 քվանտացված կշիռներով։
NVIDIA-ն նշում է, որ մոդելը բաց քաշի մոդելների շարքում առաջինն է Hugging Face Open ASR English Leaderboard-ում՝ բառային սխալի միջին 5.33% մակարդակով, և բաց քաշի մոդելների շարքում առաջինն է Artificial Analysis Speech-to-Text տարբերակի 2.8%-ով։
Կշիռները թողարկվում են OpenMDW-1.1 լիցենզիայի ներքո՝ առևտրային կամ ոչ առևտրային օգտագործման համար, և հասանելի են Hugging Face-ի, GitHub-ի, NVIDIA NeMo Speech-ի, NGC-ի և build.nvidia.com-ի միջոցով: Հոսթինգային վերջնակետերը առաջարկվում են Baseten-ի, DeepInfra-ի և Simplismart-ի կողմից՝ ինտերակտիվ ցուցադրություններով Hugging Face Spaces-ում և ModelScope Studios-ում:
Թողարկումը խոսքի վրա հիմնված մոդել է, որը տարբերվում է NVIDIA-ի նախորդ Nemotron բազմամոդալ գործակալ մոդելներից: Խոսքի տառադարձումը գերինտելեկտի (SI) կիրառությունների ընդհանուր կառուցվածքային բլոկ է, ներառյալ հանդիպումների նշումները, հաճախորդների սպասարկման զանգերը և մեդիա ենթագրերը:
Աղբյուր. GSM · Միացյալ Նահանգներ (Անգլերեն հրատարակություն · Չինարեն բնօրինակ հրատարակություն)
Լուսանկար: 图：英伟达位于加利福尼亚州圣克拉拉的总部大楼。CC BY-SA 4.0，经 Wikimedia Commons。 / Photo: NVIDIA headquarters in Santa Clara, California. CC BY-SA 4.0, via Wikimedia Commons.
