Nvidia-მ ახალი ხმოვანი ხელოვნური ინტელექტის მოდელი გამოუშვა
EON.GE-ს ტექნოლოგიური ჟურნალისტი წარმოგიდგენთ სიახლეს: Nvidia-მ Nemotron 3.5 Transcribe გამოუშვა, რომელიც წარმოადგენს თავისუფალ და ღია წონები (open weights) მოდელს აუდიოს გადასაწერად 40-მდე ენაზე. კომპანიამ ასევე გამოუშვა თავისი ღია კოდის მქონე მეტყველების მონაცემთა ბაზის მეორე ვერსია — Granary. ტექნოლოგიური სფერო აქტიურ ფაზაშია, რადგან ბოლო პერიოდში ხმოვანი AI პროდუქტები Mistral-მა, ElevenLabs-მა და Salesforce-მაც წარადგინეს.
შესაძლებლობები და შეფასების ტესტები
Nvidia აცხადებს, რომ Nemotron 3.5 მოდელს შეუძლია 31 ენის თარგმნა ინგლისურად და პირიქით, საუბრის ჩაწერა ერთ საათამდე ხანგრძლივობით და რვამდე სხვადასხვა მომხსენებლის ერთმანეთისგან გარჩევა. კომპანიის მტკიცებით, ის უსწრებს კონკურენტებს ისეთ შეფასების ტესტი (benchmark) პლატფორმებზე, როგორიცაა Hugging Face-ის Open ASR Leaderboard.
ტექნიკური მახასიათებლები და დეველოპერები
ეს ინსტრუმენტები გათვლილია დეველოპერებისთვის, რომლებიც ქმნიან აპლიკაციებს ბიზნეს შეხვედრებისა და სამედიცინო ტრანსკრიფციისთვის. კომპანიის ცნობით, დეველოპერებს შეუძლიათ გამოიყენონ მოდელი, განახლებული Granary მონაცემთა ბაზა და ისეთი ინსტრუმენტები, როგორიცაა NeMo Speech მოდელი, აპლიკაციების ინდუსტრიული ჟარგონისთვის მოსარგებლებად. თუმცა, არსებობს ერთი შეზღუდვა: Transcribe მუშაობს მხოლოდ ჩაწერილ აუდიოზე და არა ლაივ სტრიმებზე.
მიუხედავად 30 მილიარდი პარამეტრისა, კომპანია პირობას დებს, რომ მოდელს შეუძლია მუშაობა ერთ ჩიპზე — დაწყებული Jetson AGX Thor რობოტიკის კონტროლერით და DGX Spark ჩიპით, რომელიც ახალ ლეპტოპებს ამუშავებს, დასრულებული Blackwell დაცენტროს ჩიპებით. ის უერთდება Nvidia-ს ღია წონები (open weights) ხმოვან მოდელებს, მათ შორის პატარა, მაგრამ ძლიერ Parakeet მოდელთან ერთად.
რას ნიშნავს ეს ჩვენთვის
ხმოვანი ხელოვნური ინტელექტის განვითარება და მრავალენოვანი ტრანსკრიფციის მოდელების ხელმისაწვდომობა, როგორიცაა Nvidia-ს ახალი პროდუქტი, სავარაუდოდ, გაადვილებს სხვადასხვა ენაზე შექმნილი აუდიომასალისა და ბიზნეს შეხვედრების დამუშავებას. მიუხედავად იმისა, რომ მოდელი ჯერჯერობით მხოლოდ ჩაწერილ აუდიოზე მუშაობს და ცოცხალ ნაკადებს ვერ ამუშავებს, მსგავსი ტექნოლოგიები მომავალში შესაძლოა უფრო ευლად ხელმისაწვდომი გახდეს დეველოპერებისთვის მცირე ენობრივი ბაზების დასამუშავებლადაც, თუმცა შედეგები დამოკიდებული იქნება ინდუსტრიული ჟარგონის მხარდაჭერაზე.
წყარო: TechCrunch
