Nvidia-ийн шинэ AI 40 хэл ойлгож, найман хүний яриаг зэрэг ялган танина

АНУ-ын Nvidia компани яриа таних, орчуулах, аудио бичлэгийн агуулгыг задлан шинжлэх зориулалттай шинэ нээлттэй эхийн хиймэл оюуны загвараа танилцуулжээ.

Nemotron 3.5 Transcribe нэртэй уг загвар нь 40 хэл дээрх яриа болон бичвэрийг ойлгож, нэг цаг хүртэл үргэлжилсэн аудио бичлэгийг боловсруулах чадвартай байна. Үүнээс гадна 31 хэлнээс англи хэл рүү орчуулга хийж, 13 хэл дээр яригчдыг ялган таних боломжтой аж.

Найман хүн зэрэг ярьсан ч хэн юу хэлснийг ялгана

Nvidia-ийн мэдээлснээр Nemotron 3.5 Transcribe нь нэг бичлэгт найм хүртэлх хүн зэрэг ярьсан тохиолдолд ч аудиог боловсруулах чадвартай.

Хэрэглэгч текстэн заавар өгснөөр систем:

• яригч бүрийн үгийг тусад нь бичвэр болгон гаргах,
• яриаг орчуулах,
• хэлэлцүүлгийн гол санааг товчлох,
• аудионы агуулгатай холбоотой асуултад хариулах боломжтой.

Ингэснээр уулзалт, ярилцлага, хурал, подкаст зэрэг олон хүний оролцоотой урт бичлэгийг гараар задлах ажлыг автоматжуулах боломж нэмэгдэж байна.

Шинэ загварын өөр нэг онцлог нь тусгай салбарын нэр томьёог урьдчилан заавар болгон өгөх боломж юм. Жишээлбэл анагаах ухаан зэрэг мэргэжлийн үг хэллэг их ашигладаг салбарт тухайн нэр томьёонуудыг системд өгснөөр яриаг илүү зөв танихад ашиглаж болох аж.

Яриа таних нээлттэй үнэлгээнд тэргүүлжээ

Хөгжүүлэгчдийн мэдээлснээр Nemotron 3.5 Transcribe загвар яриа таних системүүдийг харьцуулдаг Open ASR Leaderboard нээлттэй үнэлгээний жагсаалтад нэгдүгээр байрт орсон байна.

Уг үнэлгээгээр загварын үг таних алдааны дундаж түвшин 5.33 хувь байжээ.

Энэ үзүүлэлт нь аудио бичлэгийг текст болгон хөрвүүлэх үед гарсан алдааны хэмжээг илэрхийлдэг бөгөөд Nvidia шинэ загвараа яриа боловсруулах AI систем хөгжүүлэхэд ашиглах боломжтой нээлттэй шийдэл болгон санал болгож байна.

844 мянган цагийн аудио бүхий өгөгдлийн сан гаргав

Nvidia зөвхөн шинэ AI загвараар хязгаарлагдалгүй, Granary v2 нэртэй томоохон аудио өгөгдлийн багцаа мөн танилцуулжээ.

Энэхүү өгөгдлийн санд 48 хэл дээрх нийт 844 мянга орчим цагийн аудио бичлэг багтсан байна.

Granary v2 нь яриа таних хиймэл оюуны загваруудыг сургах, одоо байгаа системүүдийн нарийвчлалыг сайжруулахад зориулагджээ.

Nemotron 3.5 Transcribe болон Granary v2-ийг Hugging Face платформоор дамжуулан ашиглах боломжтой. Мөн Nvidia компани байгууллага, хөгжүүлэгчдэд загварыг өөрсдийн салбарын хэрэгцээ, нэр томьёонд тохируулан нэмэлтээр сургах хэрэгслүүдийг санал болгож байгаа аж.

Ийнхүү Nvidia зөвхөн дуу хоолойг бичвэр болгохоос гадна олон хүний яриаг ялгах, орчуулах, товчлох, агуулгын талаар асуултад хариулах чадварыг нэг системд нэгтгэсэн шинэ нээлттэй AI загвараа зах зээлд гаргаж байна.