NVIDIA ចេញផ្សាយ Nemotron 3.5 Transcribe គំរូសុន្ទរកថាបើកចំហ៖ ចម្លងភាសាចំនួន ៤០ ជាមួយនឹងសំណុំទិន្នន័យអូឌីយ៉ូរយៈពេល ៤៦៣,០៦២ ម៉ោង។
NVIDIA បានចេញផ្សាយ Nemotron 3.5 Transcribe នៅថ្ងៃទី 28 ខែតុលា ដែលជាគំរូសុន្ទរកថាបើកចំហមួយដែលរួមបញ្ចូលគ្នានូវការចម្លងពហុភាសា ការបញ្ជាក់អ្នកនិយាយ ការបកប្រែ និងការឆ្លើយសំណួរអូឌីយ៉ូនៅក្នុងចំណុចត្រួតពិនិត្យតែមួយ។ ជាមួយគ្នានេះ ក្រុមហ៊ុនបានចេញផ្សាយ Granary v2 ដែលជាសំណុំទិន្នន័យសុន្ទរកថាបើកចំហ និងបំពង់បង្ហូរទិន្នន័យ curation ដែលបញ្ជីសាធារណៈរបស់វាគ្របដណ្តប់លើសំឡេងចំនួន 463,062 ម៉ោងក្នុង 48 ភាសា។
យោងតាមការប្រកាសរបស់ NVIDIA ម៉ូដែលនេះចម្លងភាសាចំនួន ៤០ បកប្រែភាសាចំនួន ៣១ ទៅជាភាសាអង់គ្លេស ឬពីភាសាអង់គ្លេស ហើយកំណត់លក្ខណៈអ្នកនិយាយជា ១៣ ភាសា។ វាដោះស្រាយការថតសំឡេងរហូតដល់មួយម៉ោង និងដាក់ស្លាកអ្នកនិយាយរហូតដល់ប្រាំបី។ ម៉ូដែលនេះប្រើឧបករណ៍ឌិកូដចម្រុះនៃអ្នកជំនាញដែលមានប៉ារ៉ាម៉ែត្រចំនួន ៣៤ ពាន់លាន (30B-A4B) ដែលធ្វើឱ្យប៉ារ៉ាម៉ែត្រប្រហែល ៤,៣ ពាន់លានសកម្មក្នុងមួយថូខឹន ហើយដឹកជញ្ជូនជាទម្ងន់បរិមាណ BF16, FP8 និង NVFP4។
NVIDIA និយាយថា គំរូនេះជាប់ចំណាត់ថ្នាក់លេខមួយក្នុងចំណោមគំរូទម្ងន់បើកចំហនៅលើ Hugging Face Open ASR English Leaderboard ជាមួយនឹងអត្រាកំហុសពាក្យជាមធ្យម 5.33% និងស្មើចំណាត់ថ្នាក់លេខមួយក្នុងចំណោមគំរូទម្ងន់បើកចំហនៅលើ Artificial Analysis Speech-to-Text ក្នុងអត្រា 2.8%។
ទម្ងន់ទាំងនេះត្រូវបានចេញផ្សាយក្រោមអាជ្ញាប័ណ្ណ OpenMDW-1.1 សម្រាប់ការប្រើប្រាស់ពាណិជ្ជកម្ម ឬមិនមែនពាណិជ្ជកម្ម ហើយអាចរកបានតាមរយៈ Hugging Face, GitHub តាមរយៈ NVIDIA NeMo Speech, NGC និង build.nvidia.com។ ចំណុចបញ្ចប់ដែលបានបង្ហោះត្រូវបានផ្តល់ជូនដោយ Baseten, DeepInfra និង Simplismart ជាមួយនឹងការបង្ហាញអន្តរកម្មនៅលើ Hugging Face Spaces និង ModelScope Studios។
ការចេញផ្សាយនេះគឺជាគំរូជាក់លាក់នៃការនិយាយ ដែលខុសពីគំរូភ្នាក់ងារពហុម៉ូឌុល Nemotron មុនៗរបស់ NVIDIA។ ការចម្លងការនិយាយគឺជាប្លុកសំណង់ទូទៅសម្រាប់កម្មវិធី super intelligence (SI) រួមទាំងកំណត់ចំណាំកិច្ចប្រជុំ ការហៅទូរស័ព្ទសេវាកម្មអតិថិជន និងការដាក់ចំណងជើងមេឌៀ។
ប្រភព៖ GSM · សហរដ្ឋអាមេរិក (ការបោះពុម្ពជាភាសាអង់គ្លេស · ការបោះពុម្ពដើមជាភាសាចិន)
រូបថត: 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.
