انویدیا مدل باز Nemotron 3.5 Transcribe را برای تبدیل گفتار، ترجمه و شناسایی گوینده منتشر کرد

سلام، شما شنونده‌ی پادکست خبری شیدهوش هستید. انویدیا مدل باز Nemotron 3.5 Transcribe را برای تبدیل گفتار، ترجمه و شناسایی گوینده منتشر کرده است؛ این مدل چه کارهایی را در یکجا انجام می‌دهد؟

این مدل با دستورهای متنی کار می‌کند و سه کار را در یک مدل واحد ترکیب می‌کند: تبدیل گفتار به متن، ترجمه و شناسایی گوینده. به گفته‌ی منبع، تا ۴۰ زبان را برای تبدیل گفتار به متن پشتیبانی می‌کند، ۳۱ زبان را به انگلیسی یا از انگلیسی ترجمه می‌کند و گویندگان را در ۱۳ زبان شناسایی می‌کند.

انویدیا فقط همین مدل را منتشر کرده است یا چیز دیگری هم همراه آن آمده است؟

همراه این مدل، Granary v2 هم منتشر شده است؛ یک مجموعه‌داده با حدود ۸۴۴٬۰۰۰ ساعت صوت در ۴۸ زبان. منبع می‌گوید ابزارهایی هم برای سازگار کردن مدل با حوزه‌های تخصصی، مانند پزشکی، ارائه شده است.

از نظر فنی، این مدل چه اندازه‌ای دارد و روی چه سخت‌افزاری اجرا می‌شود؟

این مدل ۳۰ میلیارد پارامتر دارد، اما فقط حدود ۴ میلیارد پارامتر در هر گام فعال می‌شوند. همچنین روی یک GPU اجرا می‌شود.

برای کسی که با تماس‌های تلفنی، جلسه‌ها یا آرشیو صوتی سروکار دارد، این خبر چه معنایی دارد؟

اهمیت خبر در این است که یک جریان کاری واحد می‌تواند چند نیاز را هم‌زمان پوشش دهد: تبدیل گفتار به متن، ترجمه و تفکیک گوینده. این می‌تواند برای کار با تماس‌ها، جلسه‌ها، پشتیبانی یا آرشیو صوتی مفید باشد.

آیا منبع می‌گوید این قابلیت‌ها در همه‌ی زبان‌ها یکسان‌اند؟

نه، منبع خود تأکید می‌کند که ویژگی‌ها در زبان‌های مختلف متفاوت‌اند. همچنین می‌گوید پرسش‌وپاسخ صوتی برای انگلیسی آموزش دیده است.

اگر کسی بخواهد نسخه‌ی سفارشی بسازد، منبع چه هشداری می‌دهد؟

منبع می‌گوید برای نسخه‌های سفارشی باید نمونه‌های واقعی و تأییدشده برای آزمون کنار گذاشته شود. بنابراین، این خبر بیشتر نشانه‌ای برای ارزیابی فنی و برنامه‌ریزی بومی‌سازی است، نه مبنایی برای تصمیم قطعی خرید یا استقرار. متن کامل این خبر و لینک منبع اصلی در همین صفحه‌ی خبری در وب‌سایت شیدهوش قرار دارد.