NVIDIA、端末内で文字起こしと翻訳ができるAIを公開

NVIDIAは、音声を文字に変換し、話者を識別し、発言を翻訳できる新モデル「Nemotron 3.5 Transcribe」を発表した。処理は端末上で完結するため、開発者は録音データを常にクラウドのサーバーへ送らなくても、会議やカスタマーサポート、音声業務向けのアプリを構築できる。

同社のブログによると、モデルは40言語の音声文字起こしに対応する。ユーザーは通常の言葉で指示を出し、話者ごとに分けた文字起こし、翻訳、会議で決まった事項の抽出などを依頼できる。医療・ヘルスケア、金融サービス、カスタマーサポートなどの専門用語を追加し、語彙の認識を高めることも可能だ。

データの置き場所を選べる

ローカル処理では、データをどこに置くかを開発者が選びやすくなる。会話に業務情報や機微なデータが含まれる場合、これは重要な点だ。クラウドへのファイル転送も減らせる。対応ハードウェアで動かし、より大きな処理能力が必要になればデータセンターへ拡張することもできる。

今回の発表は、AIモデルをローカルで動かす設計のコンピューター「RTX Spark」の機能拡張に合わせたものだ。

GPUの配分を調整

NVIDIAは、前面で開いているアプリとバックグラウンドで動くAIエージェントの間で、GPUの処理能力をどう配分するかを利用者が決められるツールも追加した。メインのアプリを優先することも、エージェントに多くのリソースを割り当てて作業を早く終わらせることもできる。AIアプリやエージェントが従来のソフトと並んで常時動く状況を、同社が想定していることを示す変更といえる。