Nvidia lanza Nemotron 3.5 Transcribe, el modelo abierto que transcribe 40 idiomas y lidera los rankings de ASR
Nvidia Nemotron 3.5 Transcribe: open ASR for 40 languages
NVIDIA presenta Nemotron 3.5 Transcribe, un modelo de pesos abiertos que unifica transcripción, atribución de hablantes, traducción y preguntas y respuestas de audio en un solo checkpoint. Transcribe 40 idiomas, traduce 31 al inglés o desde él y atribuye hablantes en 13, con soporte para grabaciones de hasta una hora y ocho hablantes. Lidera el ranking Open ASR de Hugging Face en inglés con un WER del 5,33% y destaca en atribución de hablantes. Se acompaña de Granary v2, un pipeline de datos abierto, y recetas de fine-tuning para adaptarlo a vocabulario específico.
En un caso de estudio médico, el fine-tuning redujo la tasa de error de palabras (WER) en hablantes no vistos en un 45,8% en relación con el mejor prompt.
- xpct
Estuve jugando con Nemotron 3 hace poco. Está bien, pero comete un error cada pocas frases, al menos con los datos con los que trabajé (vocabulario estándar). Seguro que llegaremos, pero me sorprendió gratamente lo bien que reconozco las palabras yo mejor que él.
- solarkraft
> Transcribe está pensado para audio grabado, no para streaming en vivo.
¡Qué lástima! Nemotron Streaming en Handy básicamente me ha resuelto el dictado. Reconoce muy bien el alemán mezclado con términos en inglés y nombres de marcas.
- AkashKaStudio
Según la model card, esto solo admite transcripción de hablante de campo cercano, es experimental pero aun así es algo que no está disponible en ningún otro Speech LLM de código abierto.