La versión abierta de Nemotron 3.5 Transcribe de Nvidia combina transcripción, traducción y reconocimiento de hablantes
decoder ·
Nvidia ha lanzado Nemotron 3.5 Transcribe, un modelo de voz abierto que integra transcripción, traducción y reconocimiento de hablantes en un solo sistema. El modelo admite hasta 40 idiomas para la transcripción y maneja archivos de audio de hasta una hora con múltiples hablantes. Aunque contiene 30 mil millones de parámetros, solo 4 mil millones están activos por paso, lo que le permite ejecutarse de manera eficiente en una sola GPU. Alcanza los primeros puestos en varias pruebas de referencia, incluida la lista de clasificación ASR abierta en inglés de Hugging Face y las pruebas de atribución de hablantes de VoiceArena. Junto al modelo, Nvidia presentó Granary v2, un conjunto de datos compuesto por 844.000 horas de audio en 48 idiomas. La compañía también proporcionó herramientas para ajustar el modelo en dominios especializados, demostrando mejoras significativas en la precisión en contextos médicos. Si bien el modelo base ofrece un rendimiento sólido, se aconseja a los usuarios verificar aleatoriamente los resultados y tener en cuenta que no se admite el procesamiento en tiempo real.
decoder