多言語文字起こし、話者識別、翻訳、音声QAを兼ね備え、リーダーボードでトップクラスの成績を収めたオープンモデルが登場。オープンな Granary v2 データパイプラインとファインチューニングレシピも提供
文字起こしテキストに発話されたすべての単語が完璧に記録されていたとしても、ユーザーやアプリケーションにとって「誰が何を言ったのか」、どのように翻訳すべきか、あるいは特定分野の専門用語をどうフォーマットすべきかが依然として明確でない場合があります。多言語での通話、ハイペースな会議、医療現場でのディクテーションなど、状況に応じて求められる出力結果は異なります。翻訳テキストや話者ラベル、あるいは正確なスペルの医学用語などさまざまです。
NVIDIA Nemotron 3.5 Transcribe は、オープンウェイト(open-weight)かつプロンプト駆動(promptable)に対応したモデルで、音声録音を実用性の高いテキストへと変換します。現在、Hugging Face および ModelScope で公開されています。音声の文字起こし、話者識別(diarization)、翻訳、音声QAを単一のモデルチェックポイントに統合しており、40言語の文字起こし、そのうち31言語と英語間の双方向翻訳、さらに13言語での話者識別をサポートしています。最大1時間の録音データを処理可能で、最大8人の話者を識別してラベル付けできます。開発者は