Nvidia анонсувала Nemotron 3.5 Transcribe — нову безкоштовну ШІ-модель, яка дозволяє розробникам перетворювати аудіозаписи на текст, перекладати мовлення та розрізняти до восьми співрозмовників.
Функціонал моделі
Модель призначена для створення сервісів, що працюють з аудіо. Наприклад, її можна використовувати для автоматичного запису змісту зустрічей, оформлення медичних записів або перетворення інтерв’ю на текст.
Користувачі можуть вказувати, як саме потрібно обробити аудіо: дослівно з паузами чи відредагований текст. Також можна навчити модель розпізнавати імена та терміни для підвищення точності.
Обмеження та вимоги
Nemotron 3.5 Transcribe працює лише з готовими аудіозаписами, тому не підходить для створення субтитрів у реальному часі. Модель підтримує переклад між англійською та 30 іншими мовами, включаючи українську, але функція розрізнення голосів доступна лише для 13 мов.
Для роботи потрібен сумісний графічний процесор Nvidia, а вимоги до обладнання залежать від версії моделі.
Додаткові ресурси
Разом з моделлю Nvidia випустила Granary v2 — оновлений набір аудіозаписів для навчання ШІ. Це дозволить розробникам покращити розпізнавання медичної термінології та професійного сленгу.
Nemotron 3.5 Transcribe вже зайняла перше місце в рейтингу Hugging Face Open ASR Leaderboard за точністю розпізнавання англійської мови. Модель доступна на Hugging Face для комерційного використання за ліцензією.
Нагадаємо, раніше Microsoft представила MAI-Transcribe-2-Streaming — ШІ-модель для перетворення мовлення на текст у реальному часі.
Джерело: dev.ua (https://dev.ua/news/nemotron-35-transcribe-1793272097)