به تازگی شرکت انویدیا، غول تراشه‌ها و فناوری‌های هوش مصنوعی، به طور رسمی مدل متن‌نویس صوتی جدیدی به نام NVIDIA Nemotron 3.5 Transcribe را به صورت متن‌باز منتشر کرده است. این مدل به عنوان یک راهکار پیشرفته برای سناریوهای پردازش حرفه‌ای گفتار طراحی شده است و در معیارهای کلیدی مانند دقت تبدیل گفتار به متن چندزبانه، پردازش صوت‌های طولانی و تفکیک چند گوینده، عملکردی پیشرو در صنعت ارائه می‌دهد.
از نظر معماری زیرین و پارامترهای کلیدی، مدل Nemotron 3.5 Transcribe از معماری پیشرفته ترکیبی کارشناسان یا همان Mixture-of-Experts (MoE) بهره می‌برد. این مدل دارای حدود ۳۴ میلیارد پارامتر کلیدی است، در حالی که در هر مرحله پردازش تنها ۴.۳ میلیارد پارامتر فعال می‌شود؛ موضوعی که ضمن حفظ قدرت استنتاج بالا، کارایی در زمان اجرا را نیز تضمین می‌کند. در بخش پردازش صوتی، این مدل قادر است فایل‌های ضبط‌شده پیوسته را تا مدت زمان ۱ ساعت در یک رفت‌وبرگشت پردازش کند که نیازهای مربوط به صوت‌های طولانی، صورتجلسه جلسات و برنامه‌های مصاحبه را به خوبی پوشش می‌دهد.
در زمینه پشتیبانی از زبان‌های مختلف و ترجمه، این مدل سازگاری جهانی بالایی از خود نشان می‌دهد: نه تنها از تبدیل دقیق گفتار به متن در ۴۰ زبان مختلف پشتیبانی می‌کند، بلکه قابلیت ترجمه دوطرفه میان ۳۱ زبان از آن‌ها و انگلیسی را نیز فراهم کرده که کاربردهای آن را در ارتباطات فرامرزی و پردازش محتوای چندزبانه به شدت گسترش می‌دهد. علاوه بر این، برای حل مشکل مکالمات چندنفره که یکی از چالش‌های دیرینه در تشخیص گفتار است، این مدل می‌تواند تا ۸ گوینده مختلف را به طور هم‌زمان تفکیک کرده و انتساب گویندگان را به صورت بلادرنگ انجام دهد.
در ارزیابی‌ها و بنچمارک‌های معتبر نیز، عملکرد Nemotron 3.5 Transcribe بسیار چشمگیر بوده است:
- در ارزیابی انگلیسی Open ASR، میانگین نرخ خطای کلمه (WER) آن به ۵.۳۳ درصد می‌رسد که در میان مدل‌های متن‌باز مشابه رتبه نخست را کسب کرده است.
- در تست غیرجریان (Non-streaming) وب‌سایت Artificial Analysis، نرخ خطای کلمه آن به ۲.۸ درصد کاهش یافته و رتبه اول جدول امتیازات متن‌باز را به خود اختصاص داده است.
به طور کلی، انویدیا با معرفی مدل متن‌باز Nemotron 3.5 Transcribe و بهره‌گیری از مقیاس پارامتری بزرگ، قابلیت برجسته تفکیک صدا در شرایط تداخل و عملکرد عالی در چندزبانگی، پایه و اساس قدرتمند جدیدی را برای توسعه‌دهندگان جهانی و اکوسیستم فناوری‌های صوتی فراهم کرده است.