NVIDIA, Hugging Face ve ModelScope platformlarında yayınlanan Nemotron 3.5 Transcribe adında bir açık ağırlıklı modelle tanıttı. Bu model, konuşma tanıma, konuşmacı atama (diarization), çeviri ve sesli soru-cevap yeteneklerini tek bir kontrol noktasında birleştiren ilk model olarak öne çıkıyor. Model, 40 dili transkribe edebiliyor, bunların 33'ünü İngilizce'ye çevirebiliyor ve 13 dilde konuşmacı etiketleme yapabiliyor.
Saatlik kayıtları işleyebiliyor ve en fazla 8 konuşmacıyı etiketleyebiliyor. Geliştiriciler, çıkışı doğal dil komutlarıyla yönlendirebiliyor, sesin nerede işlenir seçebiliyor ve konu spesifik kelime dağarcığına ve aksanlara ayarlayabiliyor. Artboard üzerinde, model İngilizce için Hugging Face Open ASR Leaderboard'da en iyi açık ağırlıklı model olarak 5.33% ortalama kelime hatası oranı (WER) ile yer alıyor.
Siber analiz (Artificial Analysis) Speech-to-Text Leaderboard'da ise açık ağırlıklı modeller arasında ilk yerde, 2.8% AA-WER ile 4 milyar aktif parametre ile 24 milyar parametreli rakiplerinden daha verimli. Model, özellikle tıbbi terimler, sayılar ve konu spesifik kelime dağarcığıyla çalışırken hassasiyet gösteriyor. Saatlik kayıtları işlemek için tek bir NVIDIA GPU'ya ihtiyaç duyuyor, bu da kenar cihazlarından veri merkezine kadar geniş bir yelpazeye yayılabili