एनवीडिया ने नया ओपन ट्रांसक्रिप्शन मॉडल नेमोट्रॉन 3.5 ट्रांसक्राइब किया जारी

एनवीडिया ने नेमोट्रॉन 3.5 ट्रांसक्राइब (Nemotron 3.5 Transcribe) को जारी करने की घोषणा की है, जो एक मुफ्त, ओपन-वेट मॉडल है और अधिकतम 40 भाषाओं में ऑडियो को ट्रांसक्रिप्ट कर सकता है। मॉडल के साथ-साथ कंपनी ने अपने ओपन-सोर्स स्पीच डेटासेट 'ग्रैनरी' (Granary) का संस्करण 2 भी पेश किया है।

एनवीडिया की रिपोर्ट के अनुसार, नेमोट्रॉन 3.5 ट्रांसक्राइब अंग्रेजी से और अंग्रेजी में 31 भाषाओं का अनुवाद कर सकता है, एक घंटे तक की ऑडियो रिकॉर्डिंग को संभाल सकता है, और अधिकतम आठ अलग-अलग वक्ताओं की पहचान कर सकता है। कंपनी ने दावा किया है कि यह मॉडल Hugging Face के ओपन एएसआर लीडरबोर्ड सहित मूल्यांकन बेंचमार्क पर प्रतिद्वंद्वियों से बेहतर प्रदर्शन करता है। इन बेंचमार्क दावों का स्वतंत्र सत्यापन अभी बाकी है।

लक्षित उपयोग के मामले और तकनीकी विनिर्देश

इन नए उपकरणों का उद्देश्य उन डेवलपर्स के लिए है जो व्यावसायिक बैठकों और चिकित्सा ट्रांसक्रिप्शन के लिए एप्लिकेशन बना रहे हैं। एनवीडिया ने बताया कि डेवलपर विभिन्न भाषाओं में उद्योग-विशिष्ट शब्दावली को पहचानने के लिए इस मॉडल को अपडेटेड ग्रैनरी डेटासेट और नीमो स्पीच (NeMo Speech) मॉडल जैसे टूल के साथ मिला सकते हैं।

प्रमुख तकनीकी विवरणों में शामिल हैं:

• मॉडल का आकार: 30 अरब पैरामीटर।
• हार्डवेयर संगतता: जेटसन एजीएक्स थोर रोबोटिक्स कंट्रोलर और डीजीएक्स स्पार्क लैपटॉप चिप से लेकर ब्लैकवेल डेटासेंटर चिप्स तक, एक ही चिप पर चलने के लिए डिज़ाइन किया गया।
• सीमा: यह मॉडल वर्तमान में लाइवस्ट्रीम के बजाय रिकॉर्ड किए गए ऑडियो के साथ काम करता है।

संदर्भ और उद्योग का माहौल

एनवीडिया की यह घोषणा एआई वॉयस तकनीक के क्षेत्र में सक्रिय विकास के दौरान आई है। इस क्षेत्र में अन्य हालिया रिलीज़ में मिस्ट्रल का वोक्सट्रल 3 (Voxtral 3), एलेवेन लैब्स का रियलटाइम टूल, और सेल्सफोर्स का लौना-ऑम्नी वॉयस मॉडल शामिल हैं।

• संदर्भ और सत्यापन: डेवलपर्स और संगठन आधिकारिक घोषणाओं और तकनीकी दस्तावेजों की समीक्षा करके इस मॉडल का मूल्यांकन कर सकते हैं। परिनियोजन से पहले कार्यभार आवश्यकताओं के अनुसार प्रदर्शन और सटीकता को सत्यापित करने की सिफारिश की जाती है।