NVIDIA udostępnia Nemotron 3.5 Transcribe do wielojęzycznej analizy audio
W skrócie: Firma NVIDIA wprowadziła Nemotron 3.5 Transcribe, model o otwartych wagach, sterowany za pomocą instrukcji, przeznaczony do zamiany mowy na tekst, diaryzacji mówców i tłumaczeń. Model wykorzystuje hybrydową architekturę Mamba-Transformer, osiągając wiodącą w branży wydajność przy zaledwie 4 miliardach aktywnych parametrów.
To podsumowanie zostało automatycznie przygotowane przez sztuczną inteligencję na podstawie publikacji „Hugging Face”. To nasz tekst, nie kopia oryginału — fakty, liczby i cytaty należą do źródła, do którego link znajduje się powyżej i poniżej.
Co się zmieniło?
- 1Dodano obsługę transkrypcji w 40 językach i rozpoznawanie mówców w 13.
- 2Wprowadzono możliwość precyzyjnego kontrolowania formatowania transkrypcji i obsługi dysfluencji za pomocą promptów.
- 3Udostępniono Granary v2, otwarty potok danych do trenowania i adaptacji modelu.
- 4Zoptymalizowano pod kątem przetwarzania o wysokiej przepustowości na sprzęcie NVIDIA przy użyciu vLLM.
- 5Obsługuje nagrania o długości do godziny i do ośmiu mówców.
| Parametr | Było | Jest |
|---|---|---|
| Języki (transkrypcja) | Nie określono | 40 |
| Wsparcie tłumaczenia | Nie określono | 31 języków na/z angielskiego |
| Rozpoznawanie mówców | Nie określono | 13 języków (do 8 mówców) |
Dlaczego to ważne?
Model ten integruje transkrypcję, diaryzację i tłumaczenie w jeden proces, co znacząco redukuje złożoność w systemach typu contact-center. Możliwość sterowania promptami pozwala programistom wymuszać specyficzne dla danej dziedziny formatowanie (np. medyczne lub prawne) bez konieczności stosowania skomplikowanego przetwarzania końcowego.
Co to oznacza dla agentów AI i contact center?
Model ten jest mocnym kandydatem do zastąpienia wieloetapowych potoków przetwarzania głosu. Wyniki w testach diaryzacji i transkrypcji długich nagrań wskazują na potencjał poprawy Twoich narzędzi analitycznych i kontroli jakości. Podczas testów priorytetowo traktuj porównanie dokładności diaryzacji i opóźnień w stosunku do obecnych rozwiązań, szczególnie koncentrując się na zdolności do obsługi specjalistycznej terminologii za pomocą dostosowanych promptów.
🧪 Warte przetestowania
Efektywność modelu oraz zdolność do radzenia sobie ze złożoną diaryzacją sprawiają, że jest to kandydat wysokiego priorytetu do poprawy dokładności agentów głosowych.
Źródła
- Hugging FaceOficjalneŹródło pierwotneOryginalny artykuł →„NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt“28 paź 2026, 16:58
- Data publikacji źródła
- 28 paź 2026, 16:58
- Znalezione przez nasz system
- 28 paź 2026, 17:22
- Podsumowanie wygenerowano
- 28 paź 2026, 17:22
Artykuł napisała AI na podstawie oryginalnego źródła. Fakty, liczby i ceny pochodzą ze źródła; brakujące wartości oznaczono „Brak oficjalnych danych”. Informacje prawne, prawa autorskie i prywatność