Nvidia hôm thứ Tư đã phát hành Nemotron 3.5 Transcribe, một mô hình mở, miễn phí có thể phiên âm âm thanh sang 40 ngôn ngữ. Nó cũng phát hành phiên bản 2 của Granary, bộ dữ liệu giọng nói nguồn mở.

Nvidia tự hào rằng Nemotron 3.5 có thể dịch 31 ngôn ngữ sang và từ tiếng Anh, xử lý các bản ghi âm dài tới một giờ và phân biệt tối đa tám người nói. Nó tuyên bố sẽ đánh bại các đối thủ về điểm chuẩn, bao gồm cả Bảng xếp hạng ASR mở của Ôm mặt.

Những công cụ này nhắm đến các nhà phát triển xây dựng ứng dụng cho các cuộc họp kinh doanh và phiên âm y tế, hai trong số những chỗ đứng vững chắc nhất của AI tại nơi làm việc. Nvidia cho biết các nhà phát triển có thể sử dụng mô hình, tập dữ liệu Granary được cập nhật và các công cụ như mô hình NeMo Speech để tùy chỉnh các ứng dụng nhằm nhận dạng thuật ngữ của ngành trong từng ngôn ngữ. Một nhược điểm: Phiên âm hoạt động với âm thanh đã ghi chứ không phải phát trực tiếp.

Tuy nhiên, công ty hứa hẹn Transcribe, với 30 tỷ thông số, có thể chạy trên một con chip duy nhất, từ bộ điều khiển robot Jetson AGX Thor và chip DGX Spark cung cấp năng lượng cho máy tính xách tay mới, cho đến chip trung tâm dữ liệu Blackwell. Nó tham gia vào các mô hình giọng nói có trọng lượng mở của Nvidia, bao gồm cả Parakeet siêu nhỏ nhưng mạnh mẽ (1,1 tỷ tham số).

Mục nhập giọng nói mới nhất của Nvidia xuất hiện trong giai đoạn bận rộn phát hành giọng nói AI: Mistral đã xuất xưởng Voxtral 3 vào đầu tháng này; ElevenLabs ra mắt Thời gian thực cho lời nói tức thì trong các tác nhân thoại; và Salesforce đã phát hành Launa-Omni, mẫu giọng nói của nó.