Nvidia meluncurkan Nemotron 3.5 Transcribe pada hari Rabu (15/10), sebuah model dengan open-weight gratis yang mampu mentranskripsikan audio hingga ke dalam 40 bahasa. Bersamaan dengan itu, perusahaan juga merilis versi kedua dari Granary, dataset ucapan sumber terbuka milik mereka.
Fitur Unggulan Nemotron 3.5 Transcribe
Nvidia menyatakan bahwa Nemotron 3.5 sanggup menerjemahkan 31 bahasa dari dan ke bahasa Inggris, memproses rekaman berdurasi hingga satu jam, serta membedakan pembicara sampai delapan orang sekaligus. Model ini diklaim mengungguli para pesaingnya pada berbagai tolok ukur, termasuk Open ASR Leaderboard dari Hugging Face.
Perangkat-perangkat ini dirancang khusus untuk para pengembang yang membangun aplikasi bagi pertemuan bisnis serta transkripsi medis, yang merupakan dua sektor penerapan awal kecerdasan buatan di tempat kerja. Nvidia menjelaskan bahwa pengembang dapat memanfaatkan model tersebut, pembaruan dataset Granary, dan perangkat seperti model NeMo Speech untuk menyesuaikan aplikasi agar mengenali istilah teknis khusus industri dalam setiap bahasa.
Meski demikian, terdapat satu keterbatasan di mana Transcribe hanya berfungsi untuk rekaman audio dan belum mendukung siaran langsung atau livestreams.
Efisiensi Perangkat Keras dan Persaingan Industri
Perusahaan menjanjikan bahwa Transcribe yang memiliki 30 miliar parameter ini dapat beroperasi menggunakan satu chip tunggal, mulai dari pengontrol robotik Jetson AGX Thor dan chip DGX Spark yang memberi daya pada laptop baru, hingga chip pusat data Blackwell. Model ini melengkapi jajaran model suara open-weight milik Nvidia, termasuk Parakeet yang berukuran sangat kecil dengan 1,1 miliar parameter namun bertenaga.
Kehadiran model suara terbaru dari Nvidia ini bertepatan dengan maraknya peluncuran kecerdasan buatan suara belakangan ini. Sebelumnya, Mistral merilis Voxtral 3 pada awal bulan ini, ElevenLabs meluncurkan Realtime untuk ucapan instan pada agen suara, serta Salesforce memperkenalkan model suara Launa-Omni.
