The Decoder · 2026-10-28

Nemotron 3.5 Transcribe: nyílt modell átírással, fordítással és beszélőazonosítással

Az Nvidia kiadta a nyílt Nemotron 3.5 Transcribe beszédmodellt, amely 40 nyelven ír át, 31 nyelvről vagy nyelvre fordít angolul, és 13 nyelven azonosítja a beszélőket.

A 30 milliárd paraméteres modellből egyszerre csak körülbelül 4 milliárd aktív egy feldolgozási lépésben, ezért egyetlen GPU-n is fut. A modell szöveges utasításokat követ, így ugyanabból a felvételből lehet beszélőcímkés átiratot, angol fordítást vagy a meghozott döntések összefoglalóját kérni.

Az Nvidia szerint a modell 100 órányi hangfelvételt kevesebb mint három perc alatt dolgoz fel RTX PRO 6000 Blackwell szerveren, NVFP4 pontossággal. A Hugging Face angol nyelvű ranglistáján a nyílt súlyú modellek között első helyen áll, 5,33 százalékos átlagos szóhibaaránnyal, a VoiceArena tesztjén pedig a beszélőazonosításban is első lett.

Az Nvidia a Granary v2 adatkészletet is kiadta, amely körülbelül 844 000 óra beszédet tartalmaz 48 nyelven, és a fejlesztők ezzel finomhangolhatják a modellt saját szakterületre. Az orvosi példában a finomhangolás a legjobb prompt eredményéhez képest 45,8 százalékkal csökkentette a szóhibaarányt, az általános angol beszéden viszont a hibaarány kissé nőtt.

Miért számít?

A nyílt súlyú modell egyetlen GPU-n fut, így a fejlesztők a saját hardverükön is kipróbálhatják az átiratot és a beszélőazonosítást. A specializált tanításhoz az Nvidia szerint legalább 100 valós, ellenőrzött felvételt érdemes tesztelésre félretenni.

Az eredeti megnyitása (The Decoder)

Eredeti cím: Nvidia's open Nemotron 3.5 Transcribe combines transcription, translation, and speaker recognition