انویدیا مدل جدید رونویسی صوتی با ۴۰ زبان و ۸ گوینده معرفی کرد
انویدیا مدل متن‌باز Nemotron 3.5 Transcribe را برای رونویسی صوتی با پشتیبانی از ۴۰ زبان و تشخیص ۸ گوینده معرفی کرد.
شرکت انویدیا ابزار هوش مصنوعی تازه‌ای با نام «Nemotron 3.5 Transcribe» را معرفی کرده است. این مدل فایل‌های صوتی ضبط‌شده را به متن نوشتاری تبدیل می‌کند و با قابلیت‌های پیشرفته‌اش برای رونویسی جلسه‌ها، مصاحبه‌ها و مکالمه‌های چندزبانه کاربرد دارد.
مهم‌ترین وجه تمایز این مدل، پشتیبانی از ۴۰ زبان است. علاوه بر این، امکان ترجمه میان ۳۱ زبان و انگلیسی را فراهم می‌کند. به این ترتیب کاربران می‌توانند محتوای صوتی را به متن در زبان‌های گوناگون تبدیل کنند و از آن در تهیه گزارش و مستندسازی مکالمه‌ها بهره ببرند.
توانایی این مدل به تبدیل گفتار به نوشتار محدود نمی‌شود. «Nemotron 3.5 Transcribe» می‌تواند گویندگان مختلف را در یک ضبط واحد از یکدیگر تفکیک کند، تا ۸ نفر را شناسایی کند و مشخص کند هر فرد در کدام بخش‌ها صحبت کرده است. این ویژگی رونویسی مصاحبه‌ها و نشست‌های چندنفره را ساده‌تر می‌کند.
از دیگر نقاط قوت این مدل، توانایی پردازش ضبط‌هایی تا یک ساعت است؛ بنابراین کاربران به کلیپ‌های کوتاه محدود نیستند. همچنین کاربر می‌تواند نحوه رونویسی را تنظیم کند: یا تکرارها و مکث‌ها و کلمات پرکننده گفتار حفظ شوند، یا برای رسیدن به متنی روان‌تر و خواناتر حذف گردند.
به گفته انویدیا، این مدل را می‌توان در برنامه‌هایی به کار برد که فراتر از رونویسی ساده به قابلیت‌های تحلیلی نیاز دارند. تحلیل محتوای صوتی و پاسخ به پرسش‌هایی درباره آنچه در ضبط گفته شده است، از جمله این قابلیت‌هاست؛ برای مثال استخراج تصمیم‌هایی که در یک جلسه به توافق رسیده یا شناسایی مهم‌ترین نکات مطرح‌شده از سوی شرکت‌کنندگان.
این قابلیت‌ها به‌ویژه برای محیط‌های کاری که به جلسه‌های مجازی، مصاحبه و ضبط صوتی متکی‌اند اهمیت دارد. رونویسی دستی زمان و انرژی زیادی می‌گیرد و این ابزار می‌تواند هم این هزینه را کاهش دهد و هم دسترسی به اطلاعات موجود در فایل‌های طولانی را آسان‌تر کند.
انویدیا این مدل را با وزن‌های باز در پلتفرم Hugging Face منتشر کرده است. توسعه‌دهندگان و پژوهشگران می‌توانند آن را دانلود کنند و بر اساس نیاز برنامه خود سفارشی‌سازی کنند، بدون آنکه به یک سرویس بسته وابسته باشند.
یک نکته مهم نیز وجود دارد: این مدل برای پردازش فایل‌های صوتی از پیش ضبط‌شده طراحی شده و نباید آن را با ابزارهای تبدیل گفتار به متن لحظه‌ای که هم‌زمان با صحبت کار می‌کنند، یکی دانست. کاربرد این دو دسته ابزار با هم متفاوت است.
عرضه «Nemotron 3.5 Transcribe» نشان می‌دهد انویدیا در پی گسترش حضور مدل‌های هوش مصنوعی در حوزه پردازش گفتار و زبان است؛ ابزارهایی که علاوه بر تبدیل گفتار به متن، به سازماندهی محتوا و استخراج اطلاعات کلیدی از آن هم کمک می‌کنند.
منبع:
ایتنا