Nvidia, çarşamba günü itibarıyla 40'a kadar dilde sesleri yazıya döken ücretsiz ve açık kaynaklı Nemotron 3.5 Transcribe modelini duyurdu. Şirket ayrıca açık kaynaklı konuşma veri seti Granary'nin ikinci sürümünü de yayınladı. Nemotron 3.5'in 31 dilde İngilizce'ye çeviri yapabildiği, bir saate kadar olan kayıtları işleyebildiği ve sekiz farklı konuşmacıyı ayırt edebildiği belirtiliyor. Nvidia, modelin Hugging Face'in Open ASR Leaderboard'u gibi kıyaslamalarda rakiplerini geride bıraktığını iddia ediyor. Bu araçlar, iş toplantıları ve tıbbi dökümantasyon gibi yapay zekanın iş dünyasındaki yerleşik alanları için uygulamalar geliştiren geliştiricileri hedefliyor. Nvidia'ya göre geliştiriciler, bu modeli, güncellenen Granary veri setini ve NeMo Speech modeli gibi araçları kullanarak, sektör jargonunu her dilde tanıyacak şekilde uygulamaları özelleştirebilecek. Modelin dezavantajlarından biri, canlı yayınlar yerine yalnızca kayıtlı seslerle çalışabilmesi. Buna rağmen şirket, 30 milyar parametreye sahip Transcribe'ın Jetson AGX Thor robotik kontrolcüsünden Blackwell veri merkezi çiplerine kadar tek bir çip üzerinde çalışabileceğini vaat ediyor. Nemotron 3.5, 1.1 milyar parametreye sahip Parakeet gibi Nvidia'nın diğer açık kaynaklı ses modelleri arasındaki yerini alıyor. Nvidia'nın bu son ses modeli, Mistral'in Voxtral 3'ü, ElevenLabs'ın anlık konuşma için Realtime'ı ve Salesforce'un Launa-Omni'si gibi yapay zeka ses alanındaki yoğun ürün duyurularının olduğu bir dönemde geldi.
