أطلقت شركة Nvidia يوم الأربعاء نموذج Nemotron 3.5 Transcribe، وهو نموذج للتعرف على الكلام مفتوح الأوزان يتولى النسخ الصوتي وتحديد المتحدثين والترجمة والإجابة على الأسئلة الصوتية ضمن نقطة تحقق واحدة. كما نشرت الشركة مجموعة بيانات Granary v2 الصوتية متعددة اللغات مفتوحة المصدر، فضلا عن خط المعالجة المستخدم في إعدادها. ويتوفر النموذج والبيانات على منصتي Hugging Face وModelScope إلى جانب نسخة تجريبية يمكن للمطورين اختبارها.
يستهدف الإطلاق المطورين الذين يبنون أدوات النسخ الصوتي للاجتماعات والمجال الطبي والمحتوى متعدد اللغات، وهو مجالان وجد فيهما الذكاء الاصطناعي موطئ قدم ثابتا في أماكن العمل. وخلافا لمنافسيه المخصصين للترجمة الفورية، يعمل Transcribe على التسجيلات الصوتية فقط وليس على البث المباشر، وهو خيار تقدّمه Nvidia كتركيز مقصود لا كنقص في الميزات.
مواصفات Nemotron 3.5 Transcribe وأداؤه
النموذج عبارة عن نظام مزيج خبراء يضم 30 مليار معامل، مع نحو 4 مليارات معامل نشطة فقط خلال كل خطوة معالجة، ولهذا تؤكد Nvidia أنه يناسب أجهزة تتراوح بين وحدة التحكم الروبوتية Jetson AGX Thor وحاسوب الذكاء الاصطناعي المكتبي DGX Spark وصولا إلى معالجات Blackwell في مراكز البيانات.
وتزعم Nvidia تحقيق نتائج متقدمة في لوحات التصنيف. فبحسب الشركة، يحتل Transcribe المرتبة الأولى بين النماذج مفتوحة الأوزان في لوحة Open ASR Leaderboard الإنجليزية على Hugging Face بمتوسط معدل خطأ في الكلمات يبلغ 5.33%. وتمنحه منصة Artificial Analysis نتيجة 2.81% بمقياس AA-WER، ما يقارب Voxtral Small عند 2.77% لكن باستخدام نحو سدس المعاملات النشطة. وفي تحديد المتحدثين، تقول Nvidia إن النموذج حل أولا في اختبار VoiceArena الذي شمل 14 نظاما، وسجّل أدنى معدل خطأ في اختبار David AI لتقسيم المتحدثين بـ21 لغة.
- ينسخ 40 لغة، ويترجم 31 لغة من وإلى الإنجليزية، ويحدد المتحدثين في 13 لغة
- يتعامل مع تسجيلات تصل إلى ساعة واحدة وما يصل إلى ثمانية متحدثين
