Компания Nvidia представила Nemotron 3.5 Transcribe — модель искусственного интеллекта с открытыми весами, предназначенную для распознавания речи, перевода, разделения аудиозаписей по говорящим и анализа записей продолжительностью до одного часа.
Модель располагает примерно 4,3 миллиарда активных параметров и умеет выполнять контекстную транскрипцию, переводить речь, определять участников разговора и создавать пословные временные метки. С помощью обычных текстовых промптов пользователи могут менять стиль расшифровки и форматирование результата без повторного обучения системы.
По итогам тестирования Nemotron 3.5 Transcribe продемонстрировала наиболее высокую точность среди моделей с открытыми весами в бенчмарках Open ASR Leaderboards. Показатель WER составил 4,71% для английского языка и 4,62% для мультиязычных наборов данных. Кроме того, модель впервые превзошла специализированные каскадные решения в задачах разделения речи при одновременном разговоре нескольких участников. Поддержка спекулятивного декодирования Multi-Token Prediction (MTP) и чернового модуля DFlash2 позволяет на одной видеокарте RTX PRO 6000 Blackwell обрабатывать до 2238 секунд аудио за секунду. Благодаря оптимизированной архитектуре систему можно адаптировать к новым узкоспециализированным областям всего за 0,5–2,3 GPU-часа.