Компания Nvidia представила модель Nemotron 3.5 Transcribe для распознавания речи, перевода и анализа аудиозаписей (технология ASR - Automatic Speech Recognition).

Nemotron 3.5 Transcribe распознает речь на 40 языках, переводит с 31 языка на английский и обратно, а также идентифицирует говорящих на 13 языках. Модель может обрабатывать записи с участием до восьми человек, в том числе с перебивающими друг друга собеседниками.

Nemotron 3.5 Transcribe поддерживает русский язык и позволяет обрабатывать аудио продолжительностью до часа. В релиз также вошли набор данных для обучения и инструменты, позволяющие адаптировать модель к специализированным задачам.

В тесте Open ASR Leaderboard на платформе Hugging Face модель заняла первое место среди моделей с открытыми весами со средней долей ошибок распознавания слов 5,33%.

Веса опубликованы на Hugging Face под лицензией OpenMDW 1.1.