NVIDIAは、Nemotron 3.5 Transcribe Open-Weight Speech Modelを発表:463,062-Hour Audio Datasetで40言語を記述
NVIDIA は 10 月 28 日に Nemotron 3.5 Transcribe をリリースしました。このモデルは、多言語のトランスクリプション、スピーカーアトリビューション、翻訳、音声の質問を 1 つのチェックポイントでまとめました。 また、パブリックマニフェストが48言語で463,062時間のオーディオをカバーするオープンなスピーチデータセットとキュレーションパイプラインであるGranary v2をリリースしました。
NVIDIAのアナウンスによると、モデルは40言語をトランク付けし、そのうち31言語を英語に翻訳し、13言語でスピーカーをアトリビュートします。最大1時間の録画を処理し、最大8人のスピーカーにラベルを付けます。 このモデルは、トークンあたり約4.3億のパラメータをアクティブにし、BF16、FP8、NVFP4の定量重量で出荷する34億個のハイブリッドミキサーデコーダー(30B-A4B)を使用します。
NVIDIA は、モデルが 5.33% の平均ワードエラー率を持つ Hugging Face Open ASR English Leaderboard のオープン・ウェイトモデルの中で最初にランク付けされ、人工的な分析の Speech-to-Text のオープン・ウェイト・モデルの中では 2.8% で最初に .
ウエイトはOpenMDW-1.1ライセンスの下で商用または非商用使用のためにリリースされ、Hugging Face、NVIDIA NeMo Speech、NGC、build.nvidia.comを通じて利用可能です。 ホストされているエンドポイントは、ベーステン、DeepInfra、Simplismart によって提供され、Hugging Face Space および ModelScope Studios のインタラクティブなデモが提供されます。
リリースは、NVIDIA の初期の Nemotron のマルチモーダル エージェント モデルとは異なる、スピーチ固有のモデルです。 音声変換は、ミーティングノート、顧客サービスコール、メディアキャプションを含む、スーパーインテリジェンス(SI)アプリケーション用の一般的なビルディングブロックです。
写真: 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.
