Как сообщает TechCrunch, Nvidia выпустила Nemotron 3.5 Transcribe — бесплатную модель с открытыми весами (их можно скачать и запускать самостоятельно), которая транскрибирует аудио на 40 языках. Одновременно компания представила вторую версию Granary, своего открытого датасета речи.
По данным Nvidia, модель переводит 31 язык в обе стороны с английским, обрабатывает записи длиной до часа и различает до восьми говорящих. Компания заявляет, что модель обходит конкурентов в тестах производительности, включая рейтинг Open ASR Leaderboard от Hugging Face.
Инструменты адресованы разработчикам приложений для деловых встреч и медицинской транскрибации. Nvidia говорит, что вместе с обновлённым датасетом Granary и инструментом NeMo Speech модель позволяет настраивать распознавание отраслевого жаргона на каждом языке.
Ограничение: Transcribe работает с записями, но не с живыми трансляциями. При этом модель на 30 млрд параметров запускается на одном чипе — от робототехнического контроллера Jetson AGX Thor и чипа DGX Spark в новых ноутбуках до дата-центровых чипов Blackwell. Новинка пополнила линейку открытых голосовых моделей Nvidia, в которую входит компактная Parakeet на 1,1 млрд параметров.
Релиз вышел в период активности на рынке голосового ИИ: в этом месяце Mistral выпустила Voxtral 3, ElevenLabs запустила Realtime для мгновенной речи в голосовых агентах, а Salesforce представила модель Launa-Omni.
