NVIDIA Nemotron 3.5 Transcribe: lokalna transkrypcja w 40 językach

NVIDIA zaprezentowała nowy model Nemotron 3.5 Transcribe, który zamienia nagrania audio na tekst, oznacza poszczególnych mówców i tłumaczy wypowiedzi bezpośrednio na urządzeniu użytkownika. Dzięki temu deweloperzy mogą tworzyć aplikacje do spotkań, obsługi klienta i pracy z dźwiękiem bez konieczności każdorazowego wysyłania nagrań na serwery w chmurze.

Premiera zbiega się z rozszerzeniem możliwości komputerów RTX Spark, zaprojektowanych do uruchamiania modeli sztucznej inteligencji lokalnie.

Co potrafi model

Zgodnie z wpisem na blogu NVIDIA model obsługuje transkrypcję mowy w 40 językach. Użytkownik może w zwykłym języku poprosić o przepisanie nagrania z podziałem na mówców, o jego przetłumaczenie albo o wyciągnięcie decyzji podjętych podczas spotkania. Można też dodawać terminologię specjalistyczną, co ma poprawić rozpoznawanie słownictwa z medycyny, ochrony zdrowia, usług finansowych i obsługi klienta.

Dane zostają na miejscu

Przetwarzanie nagrań lokalnie daje deweloperom większą kontrolę nad tym, gdzie znajdują się dane. Ma to znaczenie, gdy rozmowa zawiera informacje biznesowe lub wrażliwe. Jednocześnie maleje potrzeba przesyłania plików do chmury. Model można uruchomić na obsługiwanych urządzeniach, a gdy potrzebna jest większa moc, przenieść pracę do centrów danych.

NVIDIA dodała także narzędzia, które pozwalają ustalać, jak moc procesora graficznego jest dzielona między aplikację otwartą na ekranie a agenta AI działającego w tle. Program główny może dostać wyższy priorytet albo agent może otrzymać więcej zasobów, by szybciej skończyć zadanie. Zmiana odzwierciedla oczekiwanie firmy, że aplikacje i agenci AI będą działać stale obok tradycyjnych programów na tym samym komputerze.