Table of Contents
Nvidia компани хүний яриаг текст болгон хөрвүүлэх, орчуулах, олон хүний харилцан яриаг ялгах, аудио бичлэгийн агуулгыг шинжлэх зориулалттай Nemotron 3.5 Transcribe нэртэй шинэ хиймэл оюуны загвараа танилцуулжээ.
Нээлттэй эхийн уг систем 40 хэл дээрх яриа болон бичвэрийг ойлгож, нэг цаг хүртэлх урттай аудио файлыг боловсруулах боломжтой байна. Мөн 31 хэлнээс англи хэл рүү орчуулж, 13 хэл дээр хэн ярьж байгааг ялган таних чадвартай аж.
Шинэ загварын гол давуу тал нь зөвхөн яриаг бичвэр болгохоор хязгаарлагдахгүй. Хэрэглэгч аудио бичлэгийг оруулсны дараа текстэн заавар өгч, тухайн бичлэгээс өөрт хэрэгтэй мэдээллээ хэд хэдэн хэлбэрээр гаргуулж болох юм.
Олон хүний яриаг тус тусад нь салгаж чадна
Nemotron 3.5 Transcribe нь нэг аудио бичлэгт найм хүртэлх хүн ярьсан тохиолдолд тэдний яриаг тус бүрээр нь ялган боловсруулах чадвартай.
Тухайлбал, хурлын бичлэгээс хэн ямар зүйл хэлснийг тусад нь текст болгох, бүх яриаг орчуулах, ярилцлагын гол санааг хураангуйлах эсвэл бичлэгийн агуулгын талаар тодорхой асуулт асууж хариулт авах боломжтой.
Энэ нь байгууллагын уулзалт, ярилцлага, подкаст, сургалт болон олон хүний оролцоотой бусад аудио материалыг боловсруулахад ашиглагдах боломжтой гэсэн үг юм.
Мөн хэрэглэгч тухайн салбарт ашиглагддаг мэргэжлийн нэр томьёонуудыг урьдчилан зааж өгч болно. Ингэснээр анагаах ухаан зэрэг нарийн мэргэжлийн үг хэллэг давамгайлсан орчинд яриаг илүү оновчтой танихад ашиглах боломжтой аж.
Үг таних алдааны түвшин 5.33 хувь байжээ
Nvidia-ийн мэдээлснээр Nemotron 3.5 Transcribe нь яриа таних системүүдийг харьцуулан үнэлдэг Open ASR Leaderboard жагсаалтыг тэргүүлсэн байна.
Тус үнэлгээнд загварын үг таних алдааны дундаж үзүүлэлт 5.33 хувьтай гарчээ.
Энэхүү үзүүлэлт нь яриаг текст болгон буулгах үед систем хэдий хэмжээний алдаа гаргасныг хэмждэг бөгөөд Nvidia шинэ загвараа олон хэлний аудио боловсруулах нээлттэй шийдэл болгон хөгжүүлэгчдэд санал болгож байна.
48 хэл бүхий томоохон аудио санг давхар гаргав
Nemotron 3.5 Transcribe-тай зэрэгцэн Nvidia Granary v2 нэртэй шинэ өгөгдлийн багцаа мөн танилцуулжээ.
Уг сан 48 хэл дээрх нийт 844 мянга орчим цагийн дуу бичлэгээс бүрдэх бөгөөд яриа таних хиймэл оюуны загваруудыг сургах, дахин нарийвчлахад зориулагдсан байна.
Nemotron 3.5 Transcribe болон Granary v2-ийг Hugging Face платформоор дамжуулан ашиглах боломжтой аж.
Түүнчлэн Nvidia хөгжүүлэгчдэд шинэ загварыг өөрсдийн хэрэгцээ, тодорхой салбарын нэр томьёо болон ажлын урсгалд тохируулан нэмэлтээр сургах хэрэгслүүдийг санал болгож байгаа юм.
Ингэснээр Nvidia яриаг зөвхөн текст болгох бус, олон хэлээр ойлгох, орчуулах, хэн юу хэлснийг ялгах, урт бичлэгийн гол агуулгыг гаргах зэрэг хэд хэдэн ажлыг нэг загварт нэгтгэсэн шинэ AI шийдлээ хөгжүүлэгчдэд нээлттэй болголоо.
