Transcrever, traduzir e apontar quem falou o quê: a Nvidia fez tudo num modelo aberto que cabe num chip só
Com 40 idiomas e um sexto dos parâmetros dos rivais, o Nemotron 3.5 Transcribe roda sem depender de data center gigante.
A Nvidia lançou o Nemotron 3.5 Transcribe, um modelo aberto de reconhecimento de voz que une transcrição, tradução e identificação de falantes num só pacote. O modelo transcreve 40 idiomas, traduz 31 deles para ou do inglês e reconhece vozes em 13, tudo controlado por instruções de texto.
São 30 bilhões de parâmetros, mas apenas cerca de 4 bilhões entram em ação a cada etapa, o suficiente para rodar em um único chip de GPU Nvidia. Em benchmarks abertos de transcrição inglesa, ficou em primeiro lugar entre modelos de pesos abertos, e na identificação de falantes superou até serviços comerciais amplamente usados.