انفیدیا مدل وزن‌های باز برای تبدیل صدا به متن را با پشتیبانی از ۴۰ زبان معرفی کرد.

شرکت انویدیا از مدل جدیدی برای تبدیل صوت به متن رونمایی کرد

شرکت انویدیا از مدل جدید Nemotron 3.5 Transcribe رونمایی کرد. این مدل رایگان و با وزن‌های باز، قابلیت تبدیل ثبت‌های صوتی به متن را دارد و از ۴۰ زبان پشتیبانی می‌کند. این اقدام به رقابت فزاینده در بازار فناوری‌های هوش مصنوعی صوتی کمک می‌کند.

داده‌های صوتی منبع باز Granary

شرکت همچنین از نسخه دوم مجموعه داده‌های صوتی منبع باز Granary رونمایی کرد. این مجموعه به توسعه‌دهندگان این امکان را می‌دهد تا برنامه‌های تخصصی در زمینه پردازش و شناسایی گفتار ایجاد کنند.

قابلیت‌های مدل جدید

مدل جدید توانایی ترجمه از انگلیسی و به انگلیسی را در ۳۱ زبان دارد و می‌تواند ثبت‌های صوتی به مدت یک ساعت را پردازش کند. همچنین، این مدل قادر است تا بین هشت گوینده در یک ثبت تمایز قائل شود.

شرکت انویدیا تأکید کرد که این مدل در آزمون‌های شناسایی خودکار گفتار عملکرد پیشرفته‌ای از خود نشان می‌دهد. این ویژگی به نیازهای توسعه‌دهندگان و سازمان‌ها در زمینه‌های مختلفی مانند تفریغ جلسات، مستندسازی مکالمات پزشکی و پردازش محتوای صوتی چندگانه پاسخ می‌دهد.

ادغام با ابزارهای دیگر

انویدیا اعلام کرد که توسعه‌دهندگان می‌توانند مدل جدید را با مجموعه داده‌های Granary و ابزارهای دیگر از اکوسیستم NeMo Speech ادغام کنند. این ادغام به توسعه برنامه‌های تخصصی که قادر به شناسایی اصطلاحات فنی در بخش‌ها و زبان‌های مختلف هستند، کمک می‌کند.

عملکرد مدل در پلتفرم‌های مختلف

مدل Nemotron 3.5 Transcribe شامل ۳۰ میلیارد پارامتر است، اما انویدیا تأکید کرد که این مدل می‌تواند با استفاده از یک تراشه محاسباتی کار کند. این ویژگی امکان اجرای آن را بر روی طیف وسیعی از پلتفرم‌ها و دستگاه‌ها، از سیستم‌های تعبیه‌شده تا مراکز داده، فراهم می‌کند.

رقابت جهانی در فناوری‌های صوتی

رونمایی از این مدل جدید در شرایطی صورت می‌گیرد که رقابت جهانی در زمینه فناوری‌های هوش مصنوعی صوتی به شدت افزایش یافته است. شرکت‌های فناوری مختلف به این حوزه وارد شده‌اند و مدل‌های پیشرفته‌ای برای شناسایی گفتار و تعامل صوتی چند زبانه ارائه می‌دهند.

برای دنبال کردن اخبار به زبان عربی