Nvidia представила Nemotron 3.5 Transcribe и обновлённый набор данных для аудиоприложений, чтобы разработчики могли адаптировать распознавание речи к профессиональной лексике разных отраслей.
Модель распознавания речи Nemotron 3.5 Transcribe вышла 28 октября. Она бесплатная и распространяется с открытыми весами. Nvidia утверждает, что система распознаёт до 40 языков, переводит 31 язык на английский и обратно, а также различает до восьми собеседников в записи.
Transcribe обрабатывает записи длительностью до часа, но не работает с аудио в реальном времени. Модель содержит 30 млрд параметров и, по словам Nvidia, запускается на одном чипе. Среди подходящих платформ компания называет контроллер для робототехники Jetson AGX Thor, чип DGX Spark и ускорители Blackwell для дата-центров.
Одновременно Nvidia выпустила вторую версию Granary — набора данных для распознавания речи с открытым исходным кодом. Разработчики могут использовать его вместе с Transcribe и инструментами NeMo Speech, чтобы настраивать приложения на профессиональные термины конкретной отрасли и языка.
Nvidia называет среди областей применения таких решений бизнес-встречи и медицинскую транскрибацию. Компания также заявляет, что Transcribe превосходит конкурентов в тестах, в том числе в рейтинге Open ASR Leaderboard на Hugging Face.
В открытых речевых разработках Nvidia есть и Parakeet — модель на 1,1 млрд параметров. Голосовые ИИ-инструменты выпускали и другие компании: Mistral представила Voxtral 3, ElevenLabs запустила Realtime для мгновенной речи в голосовых агентах, а Salesforce выпустила голосовую модель Launa-Omni.