NVIDIA Nemotron 3.5 Transcribe: локальная расшифровка речи

NVIDIA представила модель Nemotron 3.5 Transcribe, которая превращает аудиозаписи в текст, определяет говорящих и переводит речь непосредственно на устройстве. Разработчики смогут создавать приложения для встреч, клиентской поддержки и работы со звуком, не отправляя каждый раз записи на облачные серверы.

Запуск совпал с расширением возможностей компьютеров RTX Spark, рассчитанных на локальный запуск моделей искусственного интеллекта.

Что умеет модель

Согласно блогу NVIDIA, Nemotron 3.5 Transcribe поддерживает расшифровку речи на 40 языках. Пользователь может обычным языком попросить сделать транскрипт с разметкой говорящих, перевести запись или выделить решения, принятые на встрече. Кроме того, можно добавлять специальные термины, чтобы улучшить работу с лексикой медицины, здравоохранения, финансовых услуг и клиентской поддержки.

Данные остаются на месте

Локальная обработка даёт разработчику больше свободы в выборе места хранения данных. Это важно, если в разговоре звучит рабочая или конфиденциальная информация. Одновременно снижается необходимость передавать файлы в облако. Модель можно запускать на поддерживаемых устройствах, а при нехватке мощности переносить нагрузку в дата-центры.

NVIDIA также добавила инструменты, которые позволяют распределять ресурсы графического процессора между открытым на экране приложением и ИИ-агентом, работающим в фоне. Основной программе можно дать более высокий приоритет или выделить агенту больше ресурсов, чтобы он быстрее завершил задачу. Это изменение отражает ожидание компании, что ИИ-приложения и агенты будут постоянно работать рядом с обычными программами на одном компьютере.