انویدیا مدل تازه‌ای از تکنولوژی رونویسی صوتی را معرفی کرد: پشتیبانی از ۴۰ زبان، ۸ گوینده و ضبط‌های به مدت یک ساعت
یکی از ویژگی‌های بارز این مدل، پشتیبانی آن از ۴۰ زبان مختلف است. به علاوه، این امکان را فراهم می‌آورد که کاربران بتوانند بین ۳۱ زبان و انگلیسی ترجمه انجام دهند. به این ترتیب، افراد می‌توانند محتوای صوتی را به متنی در زبان‌های متنوع تبدیل کنند و از آن برای تهیه گزارش‌ها و مستندسازی مکالمات استفاده کنند.
توانایی این مدل به تبدیل گفتار به نوشتار محدود نمی‌شود. «Nemotron 3.5 Transcribe» قابلیت شناسایی و تفکیک گویندگان مختلف را در یک ضبط واحد دارد و می‌تواند تا ۸ نفر را شناسایی کند و تشخیص دهد که هر فرد در کدام بخش‌ها صحبت کرده است. این ویژگی به ویژه رونویسی مصاحبه‌ها و نشست‌های گروهی را تسهیل می‌کند.
از دیگر مزایای این مدل، توانایی پردازش فایل‌های ضبط‌شده تا یک ساعت است؛ به این ترتیب، کاربران می‌توانند از کلیپ‌های کوتاه فراتر بروند. همچنین این امکان وجود دارد که کاربر روش رونویسی را تنظیم نماید: به‌صورتی که یا تکرارها، مکث‌ها و کلمات پرکننده را حفظ کند یا برای دستیابی به متنی روان‌تر و خواناتر، آن‌ها را حذف کند.
طبق گفته انویدیا، این مدل می‌تواند در برنامه‌ها و کاربردهایی به کار رود که نیاز به قابلیت‌های تحلیلی داشته باشند، نه صرفاً رونویسی ساده. تحلیل محتوای صوتی و پاسخ به سؤالاتی مرتبط با آنچه در ضبط بیان شده، از جمله امکانات موجود است؛ به عنوان مثال، استخراج تصمیمات اتخاذ شده در یک جلسه یا شناسایی مهم‌ترین نکات مطرح شده توسط شرکت‌کنندگان.
این ویژگی‌ها به‌ویژه برای محیط‌های کاری که به برگزاری جلسات مجازی، مصاحبه‌ها و ضبط‌های صوتی وابسته‌اند، اهمیت زیادی دارد. رونویسی دستی به شدت زمان‌بر و انرژی‌زا است و این ابزار می‌تواند هم هزینه‌ها را کاهش دهد و هم دسترسی به اطلاعات موجود در فایل‌های طولانی را آسان نموده و تسهیل کند.
انویدیا این مدل را با وزن‌های آزاد در پلتفرم Hugging Face منتشر کرده است. توسعه‌دهندگان و پژوهشگران می‌توانند آن را دانلود کرده و بر اساس نیازهای برنامه خود سفارشی‌سازی نمایند، بدون اینکه به یک سرویس بسته وابسته شوند.
نکته مهم دیگر این است که این مدل به‌منظور پردازش فایل‌های صوتی از پیش ضبط شده طراحی شده و نباید آن را با ابزارهای تبدیل گفتار به متن آنی که به‌طور همزمان با صحبت کار می‌کنند، مقایسه نمود. کارکرد این دو دسته ابزار به‌طور کامل متفاوت است.
معرفی «Nemotron 3.5 Transcribe» نشان‌دهنده تلاش انویدیا برای گسترش حضور مدل‌های هوش مصنوعی در زمینه پردازش گفتار و زبان است؛ ابزارهایی که علاوه بر تبدیل گفتار به متن، کمک به سازماندهی محتوا و استخراج اطلاعات کلیدی از آن نیز می‌کنند.
