Voice AI em voga: Nvidia lança novo modelo de transcrição aberta
A Nvidia lançou na quarta-feira o Nemotron 3.5 Transcribe, um modelo gratuito e aberto que transcreve áudio em até 40 idiomas. Também lançou a versão 2 do Granary, seu conjunto de dados de fala de código aberto.
A Nvidia se orgulha de que o Nemotron 3.5 pode traduzir 31 idiomas de e para o inglês, lidar com gravações de até uma hora de duração e diferenciar até oito alto-falantes. Ele afirma vencer os rivais em benchmarks, incluindo o Open ASR Leaderboard da Hugging Face.
Essas ferramentas têm como alvo os desenvolvedores que criam aplicativos para reuniões de negócios e transcrição médica, dois dos pontos de apoio mais estabelecidos da IA no local de trabalho. A Nvidia diz que os desenvolvedores podem usar o modelo, o conjunto de dados Granary atualizado e ferramentas como o modelo NeMo Speech para personalizar aplicativos para reconhecer o jargão de uma indústria em cada idioma. Uma desvantagem: o Transcribe funciona com áudio gravado, não com transmissões ao vivo.
Ainda assim, a empresa promete que o Transcribe, com 30 bilhões de parâmetros, pode ser executado em um único chip, desde o controlador de robótica Jetson AGX Thor e o chip DGX Spark que alimenta novos laptops, até os chips de datacenter da Blackwell. Ele se junta aos modelos de voz abertos da Nvidia, incluindo o super pequeno, mas poderoso, Parakeet (1,1 bilhão de parâmetros).
A última entrada de voz da Nvidia ocorre durante um período movimentado de lançamentos de voz de IA: Mistral lançou o Voxtral 3 no início deste mês; A ElevenLabs lançou o Realtime para fala instantânea em agentes de voz; e a Salesforce lançou o Launa-Omni, seu modelo de voz.
