شرکت انویدیا مدل هوش مصنوعی جدیدی با نام Nemotron 3.5 Transcribe منتشر کرده است که می‌تواند فایل‌های صوتی را به متن تبدیل کند و از حداکثر ۴۰ زبان پشتیبانی می‌کند. این مدل با وزن‌های باز و به‌صورت رایگان در اختیار توسعه‌دهندگان قرار گرفته است.
این مدل علاوه بر تبدیل گفتار به متن، امکان ترجمه میان ۳۱ زبان و انگلیسی، پردازش فایل‌های صوتی تا یک ساعت و تشخیص هم‌زمان حداکثر ۸ گوینده را دارد. انویدیا همچنین مدعی است که Nemotron 3.5 در برخی آزمون‌های معتبر، عملکرد بهتری نسبت به رقبای خود نشان داده است.
انویدیا هم‌زمان نسخه دوم مجموعه‌داده متن‌باز گفتاری Granary را نیز منتشر کرده تا توسعه‌دهندگان بتوانند ابزارهای صوتی تخصصی، از جمله سامانه‌های پیاده‌سازی جلسات کاری و مکالمات پزشکی، بسازند.
این مدل با وجود ۳۰ میلیارد پارامتر، قابلیت اجرا روی یک تراشه را دارد و با سخت‌افزارهای مختلف انویدیا سازگار است. البته در حال حاضر فقط فایل‌های صوتی ضبط‌شده را پردازش می‌کند و از تبدیل زنده صدا پشتیبانی نمی‌کند.
این رونمایی در شرایطی انجام شده که رقابت شرکت‌های هوش مصنوعی برای توسعه مدل‌های صوتی پیشرفته با انتشار محصولات جدید از سوی شرکت‌هایی مانند Mistral، ElevenLabs و Salesforce شدت گرفته است.
کد خبر ۲۱۲۰۵۰۸۱۰.۰۲۶
منبع: تک کرانچ
