La IA de voz está de moda: Nvidia lanza un nuevo modelo de transcripción abierto

Nvidia lanzó Nemotron 3.5 Transcribe, un modelo gratuito de transcripción de voz con pesos abiertos que procesa audio en hasta 40 idiomas, junto con la versión 2 de Granary, su conjunto de datos de voz de código abierto. Nvidia afirma que el modelo puede traducir 31 idiomas desde y hacia el inglés, manejar grabaciones de hasta una hora y distinguir hasta ocho hablantes, y que supera a sus rivales en pruebas de referencia, incluida la Open ASR Leaderboard de Hugging Face. Estas herramientas están dirigidas a desarrolladores que crean aplicaciones para reuniones de negocios y transcripción médica, y permiten personalizarlas para reconocer la jerga de cada sector en cada idioma; una limitación es que Transcribe funciona con audio grabado, no con transmisiones en vivo. Con 30 mil millones de parámetros, puede ejecutarse en un solo chip, desde el controlador robótico Jetson AGX Thor y el chip DGX Spark de los nuevos portátiles hasta los chips Blackwell para centros de datos, y se suma a los modelos de voz de pesos abiertos de Nvidia, como Parakeet, de solo 1.100 millones de parámetros pero muy potente. El lanzamiento se produce en un periodo de intensa actividad en modelos de voz de IA, con novedades de Mistral, ElevenLabs y Salesforce.

(Fuente：TechCrunch)