همشهری آنلاین، فرخنده رفائی: تبدیل گفتار به متن یکی از کاربردهای پرطرفدار هوش مصنوعی در محیط‌های کاری است؛ از ثبت خودکار صحبت‌های جلسات و تهیه صورت‌جلسه گرفته تا پیاده‌سازی گفت‌وگوهای پزشکی. حالا انویدیا با معرفی یک مدل جدید و انتشار مجموعه‌داده صوتی به‌روزشده خود، تلاش می‌کند ابزارهای قدرتمندتری در اختیار توسعه‌دهندگان قرار دهد تا بتوانند برنامه‌های تخصصی‌تری برای این کاربردها بسازند.
به گزارش تک‌کرانچ، انویدیا روز چهارشنبه ۲۸ اکتبر، Nemotron ۳.۵ Transcribe را منتشر کرد؛ مدلی با وزن‌های باز که استفاده از آن رایگان است و می‌تواند فایل‌های صوتی را به متن تبدیل کند. وزن‌های باز به این معناست که توسعه‌دهندگان می‌توانند به پارامترهای آموزش‌دیده مدل دسترسی داشته باشند و از آنها برای ساخت یا سفارشی‌سازی ابزارهای خود استفاده کنند.
این مدل از حداکثر ۴۰ زبان پشتیبانی می‌کند و قابلیت ترجمه میان ۳۱ زبان و انگلیسی را دارد. همچنین می‌تواند فایل‌های صوتی تا یک ساعت را پردازش کند و صدای حداکثر هشت گوینده را از یکدیگر تشخیص دهد. به این ترتیب، در جلسات گروهی که چند نفر به‌صورت متناوب صحبت می‌کنند، امکان تفکیک صحبت‌های افراد مختلف فراهم می‌شود.
انویدیا مدعی است مدل جدیدش در آزمون‌های استاندارد، از جمله رتبه‌بندی متن‌باز تشخیص گفتار در پلتفرم Hugging Face، عملکرد بهتری نسبت به رقبای خود دارد. البته این مدل فعلا برای پردازش فایل‌های صوتی ضبط‌شده طراحی شده و از تبدیل گفتار زنده به متن پشتیبانی نمی‌کند.
بیشتر بخوانید:
- گروک نخستین قسمت «اودیسه» را منتشر کرد | بازآفرینی حماسه هومر با هوش مصنوعی
- یک گام تا هوش مصنوعی ذهن‌خوان | دانشمندان امواج مغزی را برای AI رمزگشایی کردند
این شرکت هم‌زمان نسخه دوم Granary، مجموعه‌داده متن‌باز گفتار، را نیز منتشر کرده است. توسعه‌دهندگان می‌توانند با استفاده از این مجموعه‌داده، مدل جدید و ابزارهایی مانند NeMo Speech، سامانه‌هایی بسازند که اصطلاحات تخصصی حوزه‌هایی مانند پزشکی و کسب‌وکار را بهتر تشخیص دهند. این قابلیت می‌تواند دقت تبدیل گفتار به متن را در محیط‌هایی که واژگان تخصصی زیادی دارند، افزایش دهد.
با وجود ۳۰ میلیارد پارامتر، انویدیا می‌گوید Nemotron ۳.۵ Transcribe قابلیت اجرا روی یک تراشه را دارد. این تراشه می‌تواند از پردازنده‌های مورد استفاده در سامانه‌های رباتیک Jetson AGX Thor و رایانه DGX Spark تا تراشه‌های Blackwell مورد استفاده در مراکز داده را شامل شود.
انتشار این مدل در شرایطی صورت می‌گیرد که رقابت در حوزه هوش مصنوعی صوتی شدت گرفته است. شرکت میسترال پیش‌تر مدل Voxtral ۳ را عرضه کرده و ElevenLabs نیز ابزار Realtime را برای پردازش فوری گفتار در دستیارهای صوتی معرفی کرده است. شرکت Salesforce هم با انتشار مدل Launa-Omni وارد این رقابت شده است.