Nvidia lança modelo de IA de voz de código aberto para transcrição multilingue

A Nvidia lançou o Nemotron 3.5 Transcribe, um modelo de código aberto capaz de transcrever áudio em até 40 idiomas. O modelo também suporta a tradução entre 31 idiomas e inglês, e pode distinguir até oito falantes. Ele supera os concorrentes em benchmarks como o Open ASR Leaderboard da Hugging Face. A Nvidia também lançou a versão 2 do seu conjunto de dados de fala Granary, que os desenvolvedores podem usar para personalizar aplicações para jargões específicos da indústria. O Transcribe, com 30 bilhões de parâmetros, funciona em um único chip, incluindo o Jetson AGX Thor e o DGX Spark. Ele se junta aos modelos de voz de código aberto da Nvidia, como o Parakeet, que possui 1,1 bilhão de parâmetros. A publicação ocorre em meio a um aumento nos modelos de IA de voz, com a Mistral lançando o Voxtral 3 ainda este mês, a ElevenLabs apresentando o Realtime para agentes de voz, e a Salesforce revelando o Launa-Omni. Apesar de suas capacidades, o Transcribe atualmente funciona com áudio gravado, e não com transmissões ao vivo, o que é uma limitação para aplicações em tempo real.