Nvidia şirkəti nitqin tanınması, tərcüməsi və səs yazılarının təhlükəsini yeni səviyyəyə qaldıran açıq çəkili Nemotron 3.5 Transcribe süni intellekt modelini təqdim etdi. Alət 40 dildə nitqi tanımaq, 31 dildən ingilis dilinə və əksinə tərcümə etmək, həmçinin 13 dildə danışanları identifikasiya etmək qabiliyyətinə malikdir. Model səkkizədək insanın iştirak etdiyi və bir saata qədər davam edən səs yazılarının emalı ilə uğurla öhdəsindən gəlir, üstəlik, həmsöhbətlər bir-birinin sözünü kəsdikdə belə sistem çaşmır. Mətn təlimatlarının köməyi ilə istifadəçilər təkcə спиkerlərin (danışanların) göstərildiyi dəqiq deşifrəni əldə edə bilməz, həm də mətni dərhal tərcümə edə, qəbul edilmiş qərarların qısa xülasəsini yarada və ya söhbətin məzmunu üzrə konkret suallara cavab ala bilərlər. Bu zaman süni intellektə xüsusi texniki terminləri və ya mürəkkəb dərman adlarını ötürməklə göstərişlər vasitəsilə rəhbərlik etmək olar.
Arxitekturanın yüksək effektivliyi Nemotron 3.5 Transcribe modelini nisbətən sadə avadanlıqda işə salmağa imkan verir. 30 milyard ümumi parametr sayı ilə hər bir məlumat fraqmentinin emalı zamanı cəmi təxminən 4 milyard parametr aktiv qalır kiç bunun sayəsində model hətta bir videokartada, məsələn, yığcam DGX Spark üzərində işləməyə qadirdir. Eyni zamanda flaqman RTX PRO 6000 Blackwell Server Edition avadanlığında məhsuldarlıq təsir edici miqyaslara qədər artır və NVFP4 formatından istifadə edərkən 100 saatlıq səsi üç dəqiqədən az müddətdə emal etməyə imkan verir. Yüksək iş sürəti müstəqil testlər tərəfindən də təsdiqlənir.
Xüsusilə, Hugging Face platformasında Open ASR Leaderboard testində yenilik sözlərin tanınmasında orta səhv payı cəmi 5,33% olmaqla açıq çəkili modellər arasında birinci yeri tutdu. Artificial Analysis bençmarkı səhvlər göstəricisini 2,81 səviyyəsində qeydə aldı ki, bu da Nvidia-nın işləməsini altı dəfə çox aktiv parametri olan kommersiya modeli Mistral Voxtral Small-a çox yaxınlaşdırır.
Nemotron 3.5 Transcribe özünü xüsusilə danışanların müəyyənləşdirilməsi tapşırığında parlaq şəkildə büruzə verir, rəqiblərini inamla qabaqlayır. Bir neçə iştirakçının eyni vaxtda danışdığı yazılarda VoiceArena sınağında model 14 sistem arasında birinci yeri tutaraq, digər iştirakçılarda təxminən 31% median dəyərə qarşı buraxılmış sözlərin payını 8,32% göstərdi.
21 dildə dəqiqliyi qiymətləndirən David AI testində Nvidia-nın işləməsi də ən yaxşı oldu, hətta ixtisaslaşdırılmış Nemotron 3 Diarization modelini belə bir qədər üstələdi.
Model ilə paralel olaraq şirkət 25 dildə 643 min saat olan əvvəlki versiyanı əhəmiyyətli dərəcədə üstələyən 48 dildə təxminən 844 min saat səs yazısı ehtiva edən irimiqyaslı Granary v2 məlumat dəstini buraxdı. Bu yazılar söz-parazitlərin saxlanıldığı sözbəsöz format və rəqəmlərin mətnlə qeydə alınması versiyaları da daxil olmaqla bir neçə deşifrə variantında əlçatandır.
Nvidia Nemotron 3.5 Transcribe modeli və dataset artıq Hugging Face-də icma üçün açıqdır, lakin istifadəçilər nəzərə almalıdırlar ki, sistemin imkanları seçilmiş dildən asılı olaraq dəyişə bilər. Bundan əlavə, alət real vaxt rejimində axın audiosu üçün deyil, hazır yazıların emalı üçün optimallaşdırıldığı səbəbindən tərtibatçılar son mərhələdə spikerlərin adlarını və danışanların dəyişməsinin dəqiq anlarını əlavə olaraq yoxlamağı tövsiyə edirlər.
