NVIDIA lansirala Nemotron 3.5 Transcribe i Granary v2 — prepoznavanje govora koje se može “ispromptovati

jakovradojevic
4 Min Read

NVIDIA lansirala Nemotron 3.5 Transcribe i Granary v2 — prepoznavanje govora koje se može "ispromptovati

NVIDIA je na Hugging Face platformi predstavila novu generaciju svojih alata za prepoznavanje govora — Nemotron 3.5 Transcribe i Granary v2. Reč je o modelima otvorenog koda namenjenim produkcijskoj upotrebi, a ono što ih izdvaja je mogućnost da se transkripcija prilagodi instrukcijama koje korisnik unese — takozvano “promptovanje” samog procesa prepoznavanja govora.

Šta donosi Nemotron 3.5 Transcribe

Centralni model, NVIDIA-Nemotron-3.5-Transcribe-30B-A4B, ima oko 34 milijarde parametara i spada u kategoriju automatskog prepoznavanja govora (ASR). Zahvaljujući arhitekturi sa aktivacijom samo dela parametara (A4B), model je projektovan da bude efikasan u produkciji, bez potrebe da se svaki put angažuju svi resursi. NVIDIA ga opisuje kao “inteligentnu višejezičnu transkripciju koju možete da promptujete i prilagodite” — što u praksi znači da korisnik može da navede kontekst, terminologiju ili stil koji model treba da poštuje tokom transkribovanja.

Uz glavni model, tu je i Nemotron 3-Diarization, manji model (oko 99,2 miliona parametara) zadužen za detekciju govorne aktivnosti i razdvajanje govornika. Kombinacija ova dva alata omogućava da se sa snimka dobije transkript u kome se jasno zna ko je šta rekao — što je ključno za sastanke, intervjue i poziv centre.

Granary v2 i HiFi varijanta

Drugi deo priče tiče se skupova podataka. NVIDIA je objavila Granary v2, kao i Granary-HiFi varijantu, namenjene treniranju i evaluaciji govornih modela. Ovi skupovi podataka su deo šire Nemotron Speech kolekcije, koja okuplja 16 modela i resursa za ASR, sintezu govora (TTS), dijarizaciju govornika i govor-u-govor (S2S) zadatke. Sve je objavljeno pod otvorenom licencom i dostupno zajednici.

Pored toga, na Hugging Face-u su dostupni i demo prostori — Nemotron Transcribe Demo i GranaryHiFi Blog — kao i Open ASR Leaderboard, tabla koja omogućava direktno poređenje govornih modela po jezicima i skupovima podataka. Tu je i poseban skup podataka eka-medical-asr-evaluation-dataset, što nagoveštava da NVIDIA cilja i na specijalizovane domene poput medicine, gde je tačnost transkripcije od velikog značaja.

Zašto je ovo važno

Prepoznavanje govora je godinama bilo oblast u kojoj su komercijalni oblaci dominirali, a otvoreni modeli su zaostajali. NVIDIA ovim potezom jasno poručuje da želi da bude ozbiljan igrač u open-source govornim tehnologijama — ne samo kroz hardver, već i kroz modele i podatke. Mogućnost “promptovanja” transkripcije je posebno zanimljiva jer pomera fokus sa pukog prepoznavanja reči na razumevanje konteksta: model možete da uputite da pravilno zapiše stručne termine, imena ili žargon, što je ranije zahtevalo ručno doterivanje.

Za developere u regionu koji grade alate za transkripciju sastanaka, korisničku podršku ili analizu poziva, ovo je konkretna opcija koju vredi isprobati — modeli su dostupni na Hugging Face blogu NVIDIJE, a demo prostori omogućavaju brz test bez sopstvene infrastrukture.

Ostaje da se vidi kako će se Nemotron 3.5 Transcribe pokazati na realnim, “prljavim” snimcima — sa šumom u pozadini, dijalektima i preklapanjem govornika — jer upravo tu se otvoreni modeli najčešće lome. Ali smer je jasan: NVIDIA gradi kompletan ekosistem govornih alata, od modela do podataka i evaluacije, i to sve pod otvorenom licencom.

Share this Article
Leave a comment