Spoločnosť Nvidia vydala open-source model umelej inteligencie na prepis reči v 40 jazykoch
Nvidia má model AI Nemotron 3.5 Transcribe, ktorý prevádza zvukové nahrávky na text pre 40 jazykov.
Spoločnosť zverejnila váhy modelu, aby ho vývojári mohli používať a prispôsobovať si pre svoje vlastné úlohy.
Systém dokáže spracovať nahrávky s dĺžkou až jednej hodiny, rozpoznávať rôznych účastníkov konverzácie a časovo označovať jednotlivé slová. Na základe pokynov používateľa dokáže vygenerovať doslovný prepis alebo ľahšie formátovaný text.
Podľa spoločnosti Nvidia dokáže Nemotron 3.5 Transcribe pracovať s existujúcim zvukom bez internetového pripojenia. Spoločnosť ho odporúča používať okrem iného na prepisovanie stretnutí a rozhovorov, vytváranie prekladateľských nástrojov a vybavovanie žiadostí o podporu.
Nvidia napísala:
“Neexistuje jediný správny prepis nahrávky: to, čo sa považuje za správne, závisí od toho, kto ju číta a na aký účel. Prepis môže vyžadovať čísla v hovorenej alebo písanej forme, doslovné znenie alebo vyčistené neplynulosti, konkrétny zápis pre špecifické termíny alebo špecifický skript pre reč s prepínaním kódu. Konvenčné systémy rozpoznávania reči sa pri trénovaní zaväzujú k jednej takejto konvencii.”
