Nvidia telah merilis Nemotron 3.5 Transcribe, model open-weight yang dirancang untuk mengubah ucapan terekam menjadi teks dalam hingga 40 bahasa. Perusahaan juga menerbitkan versi 2 Granary, set data ucapan sumber terbuka miliknya.
Menurut Nvidia, model ini dapat menerjemahkan 31 bahasa dari dan ke bahasa Inggris, memproses rekaman berdurasi hingga satu jam, dan membedakan hingga delapan pembicara. Nvidia mengatakan model ini mengungguli sistem pesaing pada benchmark termasuk Open ASR Leaderboard milik Hugging Face, meskipun klaim kinerja tersebut berasal dari perusahaan.
Model ini ditujukan bagi pengembang yang membangun alat untuk rapat bisnis, transkripsi medis, dan aplikasi tempat kerja lainnya. Nvidia mengatakan pengembang dapat menggabungkan Transcribe dengan Granary dan alat NeMo Speech miliknya untuk menyesuaikan sistem bagi terminologi khusus dan bahasa yang berbeda.
Keterbatasan yang mencolok adalah Nemotron 3.5 Transcribe menangani audio rekaman, bukan streaming langsung. Nvidia mengatakan model 30 miliar parameter ini dapat berjalan di satu chip, termasuk Jetson AGX Thor, DGX Spark, dan perangkat keras pusat data Blackwell.
Rilis ini menambah gelombang peluncuran AI suara yang ramai. Mistral, ElevenLabs, dan Salesforce juga baru-baru ini memperkenalkan produk yang berfokus pada suara, mencakup transkripsi, agen waktu nyata, dan aplikasi multimodal yang lebih luas.