NVIDIA مدل‌های جدیدی برای تبدیل گفتار به متن معرفی کرد

NVIDIA با معرفی مدل Nemotron 3.5 Transcribe و Granary v2، گام مهمی در حوزه‌ی تبدیل گفتار به متن چندزبانه و هوشمندانه برداشته است. این مدل به‌عنوان یک ابزار متن‌باز و قابل تنظیم، قابلیت‌هایی نظیر ترنسکریپشن (Transcription)، نسبت‌گذاری به گویندگان (Speaker Attribution)، ترجمه و پاسخ به سوالات صوتی را در یک پکیج گردآوری کرده است. این ویژگی‌ها به‌ویژه در محیط‌های چندزبانه، جلسات سریع و دیکته‌های پزشکی کاربردی هستند که نیاز به خروجی‌های مختلفی دارند.

مدل Nemotron 3.5 Transcribe قادر است گفتار ضبط‌شده را به متنی مفید تبدیل کند و به‌طور همزمان به نسبت‌گذاری گویندگان و ترجمه بپردازد. این مدل از ۴۰ زبان پشتیبانی می‌کند و می‌تواند ۳۱ زبان را به‌صورت دوطرفه با انگلیسی ترجمه کند. همچنین، توانایی نسبت‌گذاری به حداکثر هشت گوینده را دارد و می‌تواند ضبط‌هایی به مدت یک ساعت را مدیریت کند. این قابلیت‌ها به توسعه‌دهندگان این امکان را می‌دهد که خروجی را با استفاده از زبان طبیعی هدایت کنند و مدل را به واژگان و لهجه‌های خاص حوزه‌های مختلف تنظیم کنند.

Granary v2 به‌عنوان یک پایپ‌لاین داده‌ای چندزبانه و ابزارهای تنظیم دقیق NeMo Speech، کنترل بیشتری بر روی آموزش مدل فراهم می‌آورد. این ابزار به توسعه‌دهندگان این امکان را می‌دهد که فرم نوشتاری مورد نیاز خود را تعریف کرده و مدل را به گفتار خاصی که برنامه‌هایشان با آن مواجه می‌شوند، تطبیق دهند. به‌عنوان مثال، در یک مطالعه موردی پزشکی، تنظیم دقیق مدل باعث کاهش ۴۵.۸ درصدی نرخ خطای کلمات (WER) در گویندگان نگه‌داشته‌شده شد.

این مدل نه‌تنها در زمینه‌ی دقت ترنسکریپشن، بلکه در نسبت‌گذاری به گویندگان نیز عملکرد بسیار خوبی دارد و در مقایسه با دیگر مدل‌های موجود، کمترین نرخ خطا را به ثبت رسانده است. با توجه به این ویژگی‌ها، Nemotron 3.5 Transcribe به‌عنوان یک ابزار قدرتمند برای توسعه‌دهندگان و پژوهشگران در حوزه‌های مختلف، از جمله آموزش و بهداشت، به شمار می‌آید.

این برای مخاطبِ حرفه‌ای یعنی چه؟ مدل Nemotron 3.5 Transcribe و Granary v2 می‌تواند به مترجمان و زبان‌شناسان کمک کند تا در پروژه‌های چندزبانه خود، دقت و کارایی بیشتری داشته باشند. همچنین، این ابزار برای معلمان و پژوهشگران در زمینه‌ی آموزش و یادگیری زبان، فرصتی فراهم می‌آورد تا با استفاده از فناوری‌های نوین، فرآیند تدریس و یادگیری را بهبود بخشند.