Az Nvidia kiadta a Nemotron 3.5 Transcribe nyílt súlyú beszédmodelljét. A 34 milliárd paraméteres, szakértőkeverékes rendszer egy feladatnál nagyjából 4,3 milliárd paramétert aktivál, és ugyanabból az ellenőrzőpontból készít átiratot, fordítást, beszélőcímkéket, időbélyegeket vagy hangfelvételre adott szöveges választ.
A modellkártya 40 nyelvű átírást, 31 nyelv és az angol közötti fordítást, valamint legfeljebb nyolc beszélő elkülönítését dokumentálja. Egy felvétel legfeljebb egyórás lehet, a referenciakonfiguráció pedig egy 80 gigabájtos H100 GPU-t kér. Az Nvidia szerint a modell megjelenésekor vezette a Hugging Face nyílt súlyú angol beszédfelismerési rangsorát, de ez gyártói és leaderboard-adat, nem a Petaflop saját mérése.
Fontos különbség, hogy a belső darabolás ellenére ez offline modell, nem valós idejű streaming szolgáltatás. A nyelvi és feladatbeli támogatás sem egyforma minden esetben. A súlyok kereskedelmi és nem kereskedelmi felhasználásra is elérhetők, ám nem általános nyílt forráskódú licenc alatt: az OpenMDW 1.1 feltételei és az egyes összetevők külön értesítései érvényesek. A kiadás így elsősorban olyan fejlesztőknek érdekes, akik saját infrastruktúrán szeretnének hosszabb felvételeket feldolgozni és a modellt szakterületi kifejezésekhez igazítani.
Források: Nvidia modellkártya, TechCrunch, AlphaSignal