NVIDIA випускає Nemotron 3.5 Transcribe Open-Weight Модель: Transcribes 40 Languages, з 463,062-Hour Audio Dataset
NVIDIA випустили Nemotron 3.5 Transcribe 28 жовтня відкритою моделлю мовлення, яка поєднує в собі багатомовну транскрипцію, динаміку, переклад та аудіо-питання, відповідь на один контрольний пункт. Попри це, компанія видала Гранарі v2, відкритий мовний канал, де публічний проявляється 463,062 годин аудіо через 48 мов.
Згідно з анонсом NVIDIA, модель трансує 40 мов, переводить 31 з них на або з англійської, а атрибути спікерів на 13 мовах; він ручає записам до одного часу і етикеток до восьми спікерів. Модель використовує 34-billion-parameter гібридну суміш-спостерігаювальну декодер (30B-A4B), яка активує приблизно 4,3 мільярди параметрів з токеном, і кораблі в BF16, FP8 і NVFP4 кількісні ваги.
NVIDIA говорить про те, що модель займає перше місце серед моделей відкритої ваги на англійському рівні Hugging Face Open ASR з 5.33% середньою швидкістю помилки слів, а також зв'язки для перших серед моделей відкритої ваги на штучному аналізі.
Уваги випущені за ліцензією OpenMDW-1.1 для комерційного або некомерційного використання, і доступні через Hugging Face, GitHub через NVIDIA NeMo Мова, NGC і build.nvidia.com. Запропоновані кінцеві точки пропонуються Бейстен, DeepInfra і Симпізмарт, з інтерактивними демо-демонстраціями на Hugging Face Spaces і ModelScope Studios.
Випущена модель, відмінна від моделей мультимодальних агентів NVIDIA. Транскрипція мови є загальним блоком будинків для суперрозвідувальних (SI) додатків, включаючи ноти нарад, дзвінки з клієнтами, а також медіа-підписання.
Джерело: GSM · Сполучені Штати (Англійське видання · Оригінальне китайське видання)
Фото: 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.
