معرفی مدل نِموترون ۳.۵ ترنسکریپشن
Nvidia در روز چهارشنبه، مدل اسپِیچ-تو-متن Nemotron 3.5 Transcribe را عرضه کرد. این مدل به‌صورت آزاد با وزن‌های باز در دسترس است و قادر است ضبط‌های صوتی تا یک ساعت طولانی و با کیفیت بالا را به متن تبدیل کند.
- پشتیبانی از تا ۴۰ زبان صوتی
- ترجمه ۳۱ زبان مرتبط با انگلیسی
- تشخیص تا هشت سخنران و تفکیک در یک ضبط
- پس‌یابی و انتقال وزن‌های باز برای سفارشی‌سازی
- مقایسه بهتر در مسابقه Open ASR Leaderboard از Hugging Face
ویژگی‌های کلیدی مدل و داده‌های آموزشی حداقلی
نسخه دوم مجموعه داده Granary، دیتاست صوتی متن‌باز و پردازه‌ریزی Nvidia، همراه با مدل Nemotron 3.5 به‌صورت همزمان در دسترس برنامه‌نویسان قرار دارد. این امکان را می‌دهد تا اپلیکیشن‌هایی با تخصص حوزه‌های خاص برای شناسایی اصطلاحات صنعت در هر زبان، توسعه داده شود.
کاربردها و محدودیت‌های استفاده عملی
استانداردهای AI در حوزه‌های پزشکی و کسب‌وکار، مانند دست‌نویسی برای جلسات و ریزنظیر‌سازی پزشکی، نیازمند دقت بالاست؛ لذا Nemotron 3.5 با پشتیبانی بالا از چند زبان و تشخیص اسپِیکر، در این زمینه‌ها می‌تواند جایگزین مناسبی باشد. اما ویژگی محدودیت آن، عدم توانایی در پردازش صوت زنده و بهره‌گیری تنها از ضبط‌های میانی می‌باشد؛ بنابراین برای کاربردهای ارتباط فوری همچنان رقبا مانند ElevenLabs برتری دارند.
پرسش‌های پرتکرار
مدل Nemotron 3.5 به کدام زبان‌ها پشتیبانی می‌کند؟
این مدل قادر است ضبط‌های صوتی را در حداکثر ۴۰ زبان مختلف به متن تبدیل کند و به‌همراه، ترجمه ۳۱ زبان به و از انگلیسی را ارائه می‌دهد.
Nemotron 3.5 در تشخیص چندان‌گران (Speaker Diarization) چه توانایی دارد؟
مدل می‌تواند حداکثر تا هشت سخنران مختلف در یک ضبط را تشخیص داده و متن هر کدام را به‌صورت متفاوت ارائه کند، که برای تحلیل جلسات و جلسات چندجانبه مفید است.
