Nvidia, açık ağırlıklı Nemotron 3.5 Transcribe'ı ve güncellenmiş Granary konuşma veri setini yayımladı

Nvidia, 40 kadar dilde konuşma transkripsiyonu için ücretsiz ve açık ağırlıklı bir model olan Nemotron 3.5 Transcribe'ı, açık konuşma veri seti Granary'nin ikinci sürümüyle birlikte yayımladı. Sürümü 28 Ekim'de duyuran TechCrunch'a göre, iki yayım da iş toplantıları ve tıbbi dokümantasyon için uygulama geliştiren geliştiricileri hedefliyor; yapay zekâ araçlarının iş yerinde sağlam bir yer edindiği iki alan bunlar.

Nvidia ne yayımladı

TechCrunch'a göre Transcribe, tek bir çipte çalışacak şekilde tasarlanmış 30 milyar parametreli bir model. Bu ayak izi, Jetson AGX Thor robotik denetleyicisinden ve yeni dizüstü bilgisayarlarda bulunan DGX Spark çipinden Blackwell veri merkezi GPU'larına kadar Nvidia'nın donanım yelpazesini kapsıyor. Model, Nvidia'nın mevcut açık ağırlıklı ses modeli ailesine katılıyor; bu ailede 1,1 milyar parametreyle çok daha küçük bir sunum olan Parakeet de yer alıyor.

Nvidia'nın açık konuşma veri seti Granary aynı anda 2. sürüme güncellendi. Nvidia, geliştiricilerin modeli, güncellenen veri setini ve NeMo Speech araçlarını bir arada kullanarak uygulamaları desteklenen her dilde belirli bir sektörün kelime dağarcığına uyarlayabileceğini söylüyor; genel amaçlı modellerin çoğu kez özel terimlerde zorlandığı tıp gibi alanlar için önemli bir husus bu.

Yetenekler ve sınırlar

TechCrunch'a göre Nemotron 3.5 Transcribe, İngilizce ile 31 dil arasında çeviri yapabiliyor, bir saate kadar uzunluktaki kayıtları işleyebiliyor ve tek bir dosyada sekiz konuşmacıya kadar ayırabiliyor. Nvidia, modelin Hugging Face'in Open ASR Leaderboard'ı dahil benchmark'larda rakip modellerden daha iyi performans gösterdiğini iddia ediyor.

Belirgin eksiklik ise canlı akış (streaming). Model yalnızca kayıtlı ses üzerinde çalışıyor, canlı akışlar üzerinde değil; bu da modeli, en azından mevcut haliyle, gerçek zamanlı sesli ajanlar ve canlı altyazı gibi düşük gecikmenin her şey olduğu uygulamalar için eler. Etkileşimli ses ürünleri geliştirenler bu iş için ayrı bir bileşene ihtiyaç duyacak.

Ses yapay zekâsı için yoğun bir dönem

Sürüm, ses odaklı lansmanların art arda geldiği bir döneme denk geliyor. TechCrunch'ın belirttiği gibi Mistral Ekim başında Voxtral 3'ü yayımladı, ElevenLabs sesli ajanlarda anlık konuşma için Realtime'ı tanıttı ve Salesforce kendi ses modeli Launa-Omni'yi çıkardı. Nvidia'nun açısı, Transcribe'ı ücretsiz ve açık ağırlıklı sunmak; böylece geliştiriciler yalnızca barındırılan bir API'ye bel bağlamak yerine modeli indirip inceleyebiliyor ve kendi altyapılarında ince ayar yapabiliyorlar.

Neden önemli

Transkripsiyon, kanıtlanmış ve günlük bir talebe sahip az sayıdaki yapay zekâ kategorisinden biri; toplantı notları ve tıbbi kayıtlar ise en güvenilir gelir kaynakları arasında. Tek bir çipe sığan açık ağırlıklı ve çok dilli bir seçenek, küçük ekiplerin rekabetçi ürünler geliştirmesinin önündeki engeli düşürüyor; ayrıca sağlık gibi gizliliğe duyarlı alanlar için önemli olan cihaz üzerinde veya yerinde (on-premise) kurulum ihtimalini açıyor.

Granary 2'nin modelle birlikte yayımlanması ise tartışmasız modelin kendisi kadar önemli. Sektör jargonu ve daha az yaygın diller için özelleştirme, iyi eğitim verisinin bulunabilirliğine bağlı; açık lisanslı bir veri seti, geliştiricilere başka türlü satın almak ya da kendilerinin oluşturmak zorunda kalacağı hammaddeyi sağlıyor.

Sınırlar fırsatı çerçeveliyor yine de. Canlı akış desteği olmadan Nemotron 3.5 Transcribe, ElevenLabs gibi rakiplerin yoğunlaştığı hızla büyüyen canlı sesli ajan pazarında değil, toplu (batch) transkripsiyon ve son işlem iş akışlarında yarışıyor. Yine de kayıtlı sesle çalışan geliştiriciler için, dizüstü çipinden veri merkezi GPU'suna kadar her yerde çalışan ve benchmark'larda lider doğruluk iddiasında bulunan ücretsiz bir model, canlı akış sorunu dışında doğrudan bir dezavantajı olmayan pratik bir sürüm.