Nvidia udostępnia otwarty model do transkrypcji mowy Nemotron 3.5 Transcribe

Nvidia wprowadziła nowy, otwarty model speech-to-text o nazwie Nemotron 3.5 Transcribe. Narzędzie jest zdolne do transkrypcji nagrań audio w nawet 40 językach, wykorzystując do tego otwarty zbiór danych Granary v2.

Czym jest Nemotron 3.5 Transcribe?

Nowy model od Nvidii to narzędzie przeznaczone do zamiany mowy na tekst. Jego kluczową cechą jest wielojęzyczność – wspiera do 40 języków. Model został wytrenowany na bazie otwartoźródłowego zbioru danych Granary v2, co stanowi istotną informację dla deweloperów i firm chcących integrować tego typu rozwiązania.

Ograniczenia i alternatywy

Głównym ograniczeniem modelu Nemotron 3.5 Transcribe jest brak możliwości transkrypcji audio w czasie rzeczywistym. Narzędzie przetwarza wyłącznie wcześniej nagrane pliki. W obszarze transkrypcji na żywo rynek wciąż jest zdominowany przez konkurencyjne rozwiązania, takie jak te oferowane przez ElevenLabs.

Kontekst i znaczenie dla biznesu

Udostępnienie otwartego, wielojęzycznego modelu przez firmę o pozycji Nvidii wpisuje się w rosnące znaczenie technologii głosowych AI. Równolegle rozwija się rynek sprzętu, czego przykładem jest niedawna premiera bezprzewodowych słuchawek StreamSet od Audio-Technica, zaprojektowanych z myślą o przechwytywaniu dźwięku wysokiej jakości. Dla firm oznacza to dostęp do coraz bardziej zaawansowanych narzędzi do przetwarzania danych audio. Więcej informacji można znaleźć w publikacji TechCrunch.

Dodatkowe źródła: - techmeme.com - huggingface.co - engadget.com