NVIDIA ປ່ອຍ Nemotron 3.5 Transcribe ຮູບແບບການປາກເວົ້າແບບເປີດນ້ຳໜັກ: ຖອດຂໍ້ຄວາມໄດ້ 40 ພາສາ, ດ້ວຍຊຸດຂໍ້ມູນສຽງ 463,062 ຊົ່ວໂມງ
NVIDIA ໄດ້ປ່ອຍ Nemotron 3.5 Transcribe ໃນວັນທີ 28 ຕຸລາ, ເຊິ່ງເປັນຮູບແບບການເວົ້າແບບເປີດທີ່ລວມເອົາການຖອດຂໍ້ຄວາມຫຼາຍພາສາ, ການລະບຸຕົວຕົນຂອງຜູ້ເວົ້າ, ການແປ, ແລະ ການຕອບຄຳຖາມທາງສຽງໄວ້ໃນຈຸດກວດສອບດຽວ. ຄຽງຄູ່ກັບມັນ, ບໍລິສັດໄດ້ປ່ອຍ Granary v2, ເຊິ່ງເປັນຊຸດຂໍ້ມູນການເວົ້າແບບເປີດ ແລະ ທໍ່ສົ່ງຂໍ້ມູນທີ່ມີລາຍການສາທາລະນະກວມເອົາສຽງ 463,062 ຊົ່ວໂມງໃນ 48 ພາສາ.
ອີງຕາມການປະກາດຂອງ NVIDIA, ຮູບແບບນີ້ສາມາດຖອດຂໍ້ຄວາມໄດ້ 40 ພາສາ, ແປ 31 ພາສາເປັນພາສາອັງກິດ ຫຼື ຈາກພາສາອັງກິດ, ແລະ ລະບຸຜູ້ເວົ້າໃນ 13 ພາສາ; ມັນຈັດການການບັນທຶກສຽງທີ່ຍາວເຖິງໜຶ່ງຊົ່ວໂມງ ແລະ ຕິດປ້າຍຊື່ຜູ້ເວົ້າໄດ້ເຖິງແປດຄົນ. ຮູບແບບນີ້ໃຊ້ຕົວຖອດລະຫັດປະສົມຂອງຜູ້ຊ່ຽວຊານ 34 ພັນລ້ານພາລາມິເຕີ (30B-A4B) ທີ່ເປີດໃຊ້ພາລາມິເຕີປະມານ 4.3 ພັນລ້ານຕໍ່ໂທເຄັນ, ແລະ ສົ່ງໃນນ້ຳໜັກ BF16, FP8, ແລະ NVFP4.
NVIDIA ກ່າວວ່າຮູບແບບດັ່ງກ່າວຢູ່ໃນອັນດັບທຳອິດໃນບັນດາຮູບແບບນ້ຳໜັກເປີດໃນ Hugging Face Open ASR English Leaderboard ດ້ວຍອັດຕາຄວາມຜິດພາດຂອງຄຳສັບສະເລ່ຍ 5.33%, ແລະ ສະເໝີກັນເປັນອັນດັບໜຶ່ງໃນບັນດາຮູບແບບນ້ຳໜັກເປີດໃນ Artificial Analysis Speech-to-Text ທີ່ 2.8%.
ນ້ຳໜັກໄດ້ຖືກປ່ອຍອອກມາພາຍໃຕ້ໃບອະນຸຍາດ OpenMDW-1.1 ສຳລັບການນຳໃຊ້ທາງການຄ້າ ຫຼື ບໍ່ແມ່ນທາງການຄ້າ, ແລະ ມີໃຫ້ຜ່ານ Hugging Face, GitHub ຜ່ານ NVIDIA NeMo Speech, NGC, ແລະ build.nvidia.com. ຈຸດສິ້ນສຸດທີ່ໂຮດຢູ່ແມ່ນສະເໜີໂດຍ Baseten, DeepInfra, ແລະ Simplismart, ພ້ອມດ້ວຍການສາທິດແບບໂຕ້ຕອບໃນ Hugging Face Spaces ແລະ ModelScope Studios.
ການປ່ອຍນີ້ແມ່ນຮູບແບບສະເພາະການປາກເວົ້າ, ແຕກຕ່າງຈາກຮູບແບບຕົວແທນຫຼາຍຮູບແບບ Nemotron ຂອງ NVIDIA ກ່ອນໜ້ານີ້. ການຖອດຂໍ້ຄວາມສຽງແມ່ນບລັອກກໍ່ສ້າງທົ່ວໄປສຳລັບແອັບພລິເຄຊັນ super intelligence (SI), ລວມທັງບັນທຶກການປະຊຸມ, ການໂທບໍລິການລູກຄ້າ, ແລະ ຄຳບັນຍາຍສື່.
ແຫຼ່ງຂໍ້ມູນ: GSM · ສະຫະລັດອາເມຣິກາ (ສະບັບພາສາອັງກິດ · ສະບັບຕົ້ນສະບັບພາສາຈີນ)
ຮູບພາບ: 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.
