Nvidia lanza un modelo de IA de voz de código abierto para la transcripción multilingüe

Nvidia ha lanzado Nemotron 3.5 Transcribe, un modelo de código abierto capaz de transcribir audio en hasta 40 idiomas. El modelo también admite la traducción entre 31 idiomas y el inglés, y puede distinguir hasta ocho hablantes. Supera a la competencia en benchmarks como el Open ASR Leaderboard de Hugging Face. Nvidia también ha lanzado la versión 2 de su conjunto de datos de voz Granary, que los desarrolladores pueden utilizar para personalizar aplicaciones para la jerga específica de la industria. Transcribe, con 30 mil millones de parámetros, funciona en un solo chip, incluyendo Jetson AGX Thor y DGX Spark. Se une a los modelos de voz de código abierto de Nvidia, como Parakeet, que tiene 1.1 mil millones de parámetros. El lanzamiento se produce en medio de un aumento en los modelos de IA de voz, con Mistral lanzando Voxtral 3 a principios de este mes, ElevenLabs presentando Realtime para agentes de voz, y Salesforce revelando Launa-Omni. A pesar de sus capacidades, Transcribe actualmente funciona con audio grabado, no con transmisiones en vivo, lo que es una limitación para las aplicaciones en tiempo real.