NVIDIA ਨੇ Nemotron 3.5 ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਓਪਨ-ਵੇਟ ਸਪੀਚ ਮਾਡਲ ਜਾਰੀ ਕੀਤਾ: 463,062-ਘੰਟੇ ਆਡੀਓ ਡੇਟਾਸੈੱਟ ਦੇ ਨਾਲ, 40 ਭਾਸ਼ਾਵਾਂ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰਦਾ ਹੈ
NVIDIA ਨੇ 28 ਅਕਤੂਬਰ ਨੂੰ Nemotron 3.5 Transcribe ਜਾਰੀ ਕੀਤਾ, ਇੱਕ ਓਪਨ-ਵੇਟ ਸਪੀਚ ਮਾਡਲ ਜੋ ਬਹੁ-ਭਾਸ਼ਾਈ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ, ਸਪੀਕਰ ਐਟ੍ਰਬਿਊਸ਼ਨ, ਅਨੁਵਾਦ, ਅਤੇ ਆਡੀਓ ਸਵਾਲ ਜਵਾਬ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਚੈੱਕਪੁਆਇੰਟ ਵਿੱਚ ਜੋੜਦਾ ਹੈ। ਇਸਦੇ ਨਾਲ, ਕੰਪਨੀ ਨੇ Granary v2 ਜਾਰੀ ਕੀਤਾ, ਇੱਕ ਓਪਨ ਸਪੀਚ ਡੇਟਾਸੈਟ ਅਤੇ ਕਿਊਰੇਸ਼ਨ ਪਾਈਪਲਾਈਨ ਜਿਸਦਾ ਜਨਤਕ ਮੈਨੀਫੈਸਟ 48 ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ 463,062 ਘੰਟੇ ਆਡੀਓ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ।
NVIDIA ਦੀ ਘੋਸ਼ਣਾ ਦੇ ਅਨੁਸਾਰ, ਮਾਡਲ 40 ਭਾਸ਼ਾਵਾਂ ਨੂੰ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰਦਾ ਹੈ, ਉਹਨਾਂ ਵਿੱਚੋਂ 31 ਦਾ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਜਾਂ ਅੰਗਰੇਜ਼ੀ ਤੋਂ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ, ਅਤੇ 13 ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਬੁਲਾਰਿਆਂ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾ ਦਿੰਦਾ ਹੈ; ਇਹ ਇੱਕ ਘੰਟੇ ਤੱਕ ਦੀਆਂ ਰਿਕਾਰਡਿੰਗਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ ਅਤੇ ਅੱਠ ਸਪੀਕਰਾਂ ਤੱਕ ਲੇਬਲ ਕਰਦਾ ਹੈ। ਮਾਡਲ 34-ਬਿਲੀਅਨ-ਪੈਰਾਮੀਟਰ ਹਾਈਬ੍ਰਿਡ ਮਿਸ਼ਰਣ-ਆਫ-ਐਕਸਪਰਟਸ ਡੀਕੋਡਰ (30B-A4B) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ ਪ੍ਰਤੀ ਟੋਕਨ ਲਗਭਗ 4.3 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਸਰਗਰਮ ਕਰਦਾ ਹੈ, ਅਤੇ BF16, FP8, ਅਤੇ NVFP4 ਕੁਆਂਟਾਈਜ਼ਡ ਵਜ਼ਨ ਵਿੱਚ ਭੇਜਦਾ ਹੈ।
NVIDIA ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਹੱਗਿੰਗ ਫੇਸ ਓਪਨ ASR ਇੰਗਲਿਸ਼ ਲੀਡਰਬੋਰਡ 'ਤੇ ਓਪਨ-ਵੇਟ ਮਾਡਲਾਂ ਵਿੱਚੋਂ 5.33% ਔਸਤ ਸ਼ਬਦ ਗਲਤੀ ਦਰ ਦੇ ਨਾਲ ਪਹਿਲੇ ਸਥਾਨ 'ਤੇ ਹੈ, ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਵਿਸ਼ਲੇਸ਼ਣ ਸਪੀਚ-ਟੂ-ਟੈਕਸਟ 'ਤੇ 2.8% 'ਤੇ ਓਪਨ-ਵੇਟ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਪਹਿਲੇ ਸਥਾਨ 'ਤੇ ਹੈ।
ਇਹ ਵਜ਼ਨ OpenMDW-1.1 ਲਾਇਸੈਂਸ ਦੇ ਤਹਿਤ ਵਪਾਰਕ ਜਾਂ ਗੈਰ-ਵਪਾਰਕ ਵਰਤੋਂ ਲਈ ਜਾਰੀ ਕੀਤੇ ਗਏ ਹਨ, ਅਤੇ ਹੱਗਿੰਗ ਫੇਸ, GitHub ਰਾਹੀਂ NVIDIA NeMo ਸਪੀਚ, NGC, ਅਤੇ build.nvidia.com ਰਾਹੀਂ ਉਪਲਬਧ ਹਨ। ਹੋਸਟ ਕੀਤੇ ਐਂਡਪੁਆਇੰਟ ਬੇਸਟਨ, ਡੀਪਇਨਫਰਾ, ਅਤੇ ਸਿਮਪਲਿਸਮਾਰਟ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਹੱਗਿੰਗ ਫੇਸ ਸਪੇਸ ਅਤੇ ਮਾਡਲਸਕੋਪ ਸਟੂਡੀਓਜ਼ 'ਤੇ ਇੰਟਰਐਕਟਿਵ ਡੈਮੋ ਦੇ ਨਾਲ।
ਇਹ ਰੀਲੀਜ਼ ਇੱਕ ਸਪੀਚ-ਵਿਸ਼ੇਸ਼ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ NVIDIA ਦੇ ਪਹਿਲਾਂ ਦੇ ਨੇਮੋਟ੍ਰੋਨ ਮਲਟੀਮੋਡਲ ਏਜੰਟ ਮਾਡਲਾਂ ਤੋਂ ਵੱਖਰਾ ਹੈ। ਸਪੀਚ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਸੁਪਰ ਇੰਟੈਲੀਜੈਂਸ (SI) ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਇੱਕ ਆਮ ਬਿਲਡਿੰਗ ਬਲਾਕ ਹੈ, ਜਿਸ ਵਿੱਚ ਮੀਟਿੰਗ ਨੋਟਸ, ਗਾਹਕ-ਸੇਵਾ ਕਾਲਾਂ, ਅਤੇ ਮੀਡੀਆ ਕੈਪਸ਼ਨਿੰਗ ਸ਼ਾਮਲ ਹਨ।
ਸਰੋਤ: GSM · ਸੰਯੁਕਤ ਰਾਜ (ਅੰਗਰੇਜ਼ੀ ਐਡੀਸ਼ਨ · ਮੂਲ ਚੀਨੀ ਐਡੀਸ਼ਨ)
ਤਸਵੀਰ: 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.
