Nvidia बुधवारी प्रसिद्ध झाले निमोट्रॉन 3.5 लिप्यंतरणएक विनामूल्य, ओपन-वेट मॉडेल जे 40 भाषांमध्ये ऑडिओ लिप्यंतरण करते. त्याने ग्रॅनरी ची आवृत्ती 2 देखील जारी केली, त्याचा ओपन-सोर्स स्पीच डेटासेट.
Nvidia ने बढाई मारली आहे की Nemotron 3.5 31 भाषा इंग्रजीत आणि मधून भाषांतरित करू शकते, एक तासापर्यंत रेकॉर्डिंग हाताळू शकते आणि आठ स्पीकर वेगळे सांगू शकते. हगिंग फेससह प्रतिस्पर्ध्यांना बेंचमार्कवर हरवण्याचा दावा केला आहे ASR लीडरबोर्ड उघडा.
ही साधने कामाच्या ठिकाणी AI च्या दोन सर्वात स्थापित पाया असलेल्या व्यावसायिक मीटिंग आणि वैद्यकीय प्रतिलेखनासाठी ॲप्स तयार करणाऱ्या विकासकांना लक्ष्य करतात. Nvidia म्हणते की डेव्हलपर मॉडेल, अपडेट केलेला ग्रॅनरी डेटासेट आणि त्याच्या NeMo स्पीच मॉडेल सारखी साधने प्रत्येक भाषेत उद्योगाचे शब्द ओळखण्यासाठी ॲप्स सानुकूलित करण्यासाठी वापरू शकतात. एक दोष: लिप्यंतरण रेकॉर्ड केलेल्या ऑडिओसह कार्य करते, लाइव्ह स्ट्रीम नाही.
तरीही, कंपनी ट्रान्स्क्राइबचे वचन देते, ३० अब्ज पॅरामीटर्सवर, जेटसन एजीएक्स थोर रोबोटिक्स कंट्रोलर आणि डीजीएक्स स्पार्क चिपपासून ते ब्लॅकवेल डेटासेंटर चिप्सपर्यंत, नवीन लॅपटॉप्सपर्यंत, एकाच चिपवर चालू शकते. हे Nvidia च्या ओपन-वेट व्हॉइस मॉडेल्समध्ये सामील होते, ज्यात सुपर स्मॉल सुद्धा समाविष्ट आहे शक्तिशाली पॅराकीट (1.1 अब्ज पॅरामीटर्स).
Nvidia ची नवीनतम व्हॉइस एंट्री एआय व्हॉईस रिलीझच्या व्यस्त कालावधीत येते: मिस्ट्रल Voxtral 3 पाठवले या महिन्याच्या सुरुवातीला; ElevenLabs ने व्हॉईस एजंट्समध्ये झटपट भाषणासाठी रिअलटाइम सुरू केला; आणि सेल्सफोर्स जारी केले सर्व-अनुकूल, त्याचे आवाज मॉडेल.
Comments are closed.