Nvidia、オープンな文字起こしモデル「Nemotron 3.5 Transcribe」を公開

Nvidiaは、40言語までの音声を文字起こしできる無償のオープンウェイトモデル「Nemotron 3.5 Transcribe」と、オープンソースの音声データセット「Granary」の第2版を公開した。Nemotron 3.5は31言語と英語の相互翻訳、最長1時間の録音の処理、最大8話者の識別に対応し、Hugging FaceのOpen ASR Leaderboardを含むベンチマークで競合を上回ると同社は主張している。ライブ配信ではなく録音済みの音声が対象で、パラメータ数は30 billionとされ、単一チップで動作可能だという。