Nvidia merilis Nemotron 3.5 Transcribe, model transkripsi audio open-weight dan gratis untuk pengembang aplikasi rapat bisnis dan transkripsi medis. Menurut TechCrunch, model ini mendukung hingga 40 bahasa, berjalan di satu chip, dan hanya memproses audio rekaman.
Versi ringkas laporan yang sama tampil di MSN dengan penekanan serupa. MSN menyebut model ini hanya memproses berkas rekaman, bukan audio live.
Menurut TechCrunch, Nvidia juga merilis Granary versi 2, dataset suara open source milik perusahaan. Dataset tersebut melengkapi model untuk kebutuhan penyesuaian aplikasi.
Menerjemahkan 31 Bahasa, Menangani Rekaman Satu Jam
Menurut TechCrunch, Nvidia menyebut model ini menerjemahkan 31 bahasa ke dan dari bahasa Inggris. Laporan yang sama menyebut model menangani rekaman hingga satu jam dan membedakan hingga delapan pembicara dalam satu berkas.
Menurut TechCrunch, rapat bisnis dan transkripsi medis menjadi sasaran awal model di tempat kerja. Diarisasi pembicara atau pemisahan suara tiap pembicara menjawab kebutuhan sesi dengan banyak suara.
Menurut TechCrunch, Nvidia mengklaim modelnya mengungguli pesaing pada tolok ukur, termasuk Open ASR Leaderboard milik Hugging Face. Laporan TechCrunch tidak mencantumkan angka perbandingan, sehingga klaim tersebut tampil sebagai klaim perusahaan.
Menurut TechCrunch, pengembang dapat memakai model bersama dataset Granary terbaru dan perangkat seperti model NeMo Speech. Kombinasi itu untuk menyesuaikan aplikasi agar mengenali jargon industri di setiap bahasa.
Berjalan di Satu Chip dari Jetson hingga Blackwell
Menurut TechCrunch, Nemotron 3.5 Transcribe berukuran 30 miliar parameter dan berjalan pada satu chip. Rentang chip mencakup pengendali robotik Jetson AGX Thor dan chip DGX Spark pada laptop baru hingga chip Blackwell untuk pusat data.
Menurut TechCrunch, model ini masuk jajaran model suara open-weight Nvidia bersama Parakeet yang berukuran 1,1 miliar parameter.
Beda dengan Nemotron 3 dan Rilis Pekan Sibuk
Nvidia sebelumnya merilis Nemotron 3 Diarization, model open-weight untuk memisahkan suara tiap pembicara, menurut Unite.AI. Model itu berbeda dari Transcribe, yang bertugas mentranskripsi rekaman.
Menurut TechCrunch, rilis Nvidia muncul pada periode sibuk voice AI. Mistral mengirim Voxtral 3 awal bulan itu, ElevenLabs meluncurkan Realtime untuk ucapan instan pada agen suara, dan Salesforce merilis Launa-Omni sebagai model suaranya.
| Spesifikasi | Nemotron 3.5 Transcribe |
|---|---|
| Jumlah parameter | 30 miliar |
| Bahasa transkripsi | Hingga 40 bahasa |
| Bahasa terjemahan | 31 bahasa, ke dan dari bahasa Inggris |
| Durasi rekaman | Hingga 1 jam |
| Jumlah pembicara | Hingga 8 pembicara |
| Jenis audio | Rekaman saja, bukan live |
| Perangkat | Satu chip, dari Jetson AGX Thor hingga Blackwell |
Jumlah pembicara mengacu pada kemampuan memisahkan suara tiap pembicara dalam satu berkas (diarisasi). Sumber: TechCrunch.