"Nvidia" şirkəti nitqin tanınması, tərcüməsi və audio təhlili üçün nəzərdə tutulmuş "Nemotron 3.5 Transcribe" adlı yeni süni intellekt modelini istifadəyə verib. Açıq çəkili (open-weights) bu model 40 dildə nitqi tanımaqla yanaşı, 31 dildən ingilis dilinə və əksinə tərcümə etmək imkanına malikdir. Sistem eyni zamanda 13 dildə danışanları identifikasiya edə bilir və bir saatlıq audio yazıları emal edə bilər.
Bu modelin texniki imkanları nələrdir?
Model 30 milyard parametrə malik olsa da, hər bir məlumat fraqmentini emal edərkən cəmi 4 milyard parametr aktivləşir. Bu effektivlik sayəsində "Nemotron 3.5 Transcribe" hətta tək bir "Nvidia" video kartında belə işləyə bilir. "RTX PRO 6000 Blackwell Server Edition" kimi flaqman avadanlıqlarda isə model 100 saatlıq audionu 3 dəqiqədən az müddətdə emal etmək gücünə sahibdir.
Hansı üstünlüklərə malikdir?
- Çoxsaylı danışanların tanınması: Sistem 8 nəfərə qədər insanın bir-birinin sözünü kəsdiyi dialoqları belə dəqiqliklə ayıra bilir.
- Yüksək dəqiqlik: "Hugging Face" platformasındakı "Open ASR Leaderboard" testlərində model 5,33% səhv göstəricisi ilə birinci yeri tutub.
- İxtisaslaşma imkanı: İstifadəçilər texniki terminləri daxil edərək modelin tibbi və ya digər sahələrə uyğunlaşmasını təmin edə bilərlər.
Şirkət həmçinin 48 dildə 844 min saatlıq audio yazını əhatə edən "Granary v2" adlı geniş məlumat bazasını da təqdim edib. Model və məlumat dəstləri hazırda "Hugging Face" platformasında əlçatandır. "Nvidia" qeyd edir ki, sistem hazırda real vaxt rejimində (streaming) deyil, yalnız hazır audio faylların emalı üçün optimallaşdırılıb.
