Как сообщает THE TECH, Nvidia выпустила Nemotron 3.5 Transcribe — открытую ИИ-модель, которая превращает аудиозаписи в текст, переводит речь и определяет, кто из участников что говорил. Открытой её называют потому, что любой разработчик может скачать модель и встроить её в собственный продукт.
Модель понимает 40 языков и выполняет несколько задач по одной инструкции пользователя: например, может подготовить расшифровку совещания с именами выступавших, перевести диалог на английский или выписать принятые решения. ИИ также умеет составлять краткие пересказы встреч и отвечать на вопросы по содержанию записи.
Для работы достаточно одной видеокарты Nvidia. Модель рассчитана на записи длительностью до часа с участием нескольких человек, включая фрагменты, где участники перебивают друг друга. Распознавание речи в реальном времени пока не поддерживается — модель работает только с готовыми записями.
Одновременно Nvidia опубликовала Granary v2 — открытый набор аудиозаписей на 48 языках. На нём разработчики могут обучать собственные модели и настраивать распознавание речи под конкретные отрасли, например медицину.
Nemotron 3.5 Transcribe и Granary v2 размещены на Hugging Face — платформе, где разработчики публикуют ИИ-модели и наборы данных для открытого использования.
