Nvidia, 30 milyar parametreli açık bir konuşma modeli olan Nemotron 3.5 Transcribe'ı yayınladı; bu model, 40 dile kadar transkripsiyon, çeviri ve konuşmacı tanımayı birleştiriyor. Model, bir saate kadar süren ve en fazla sekiz konuşmacı içeren kayıtları işleyebiliyor ve basit metin talimatlarına yanıt vererek çeviri, özetleme ve konuşmacı atama gibi görevleri yerine getiriyor.
30 milyar parametresine rağmen, her işleme adımında yalnızca yaklaşık 4 milyar parametre aktif olur; bu sayede model, RTX PRO 6000 Blackwell Server Edition gibi tek bir Nvidia GPU üzerinde verimli bir şekilde çalışabilir. Benchmark testlerinde model, doğruluk ve konuşmacı atama açısından en üst sıralara yakın bir konumda yer alıyor, çeşitli ticari konuşma hizmetlerini geride bırakarak açık ağırlıklı modeller arasında İngilizce Open ASR Lider Tablosu'nda birinci sırayı ve VoiceArena konuşmacı tanıma testinde birinciliği elde etti.
Modelin yanı sıra Nvidia, 48 dilde 844.000 saatlik ses içeren Granary v2 veri setini ve modeli tıp gibi uzmanlaşmış alanlara uyarlamak için geliştiricilere yönelik araçları tanıttı. Medikal kayıtlarda yapılan testler, hedef odaklı ince ayarın hata oranını %30,8'den %11,8'e önemli ölçüde düşürdüğünü gösterdi. Bu yayın, geliştiricilere standart donanımda karmaşık çok modlu görevleri yerine getirebilen, verimli ve son derece doğru bir açık ağırlıklı konuşma modeli sunması nedeniyle önem taşıyor.