Nvidia Rilis Nemotron 3.5, Model Transkripsi Audio untuk 40 Bahasa
CIANJUR.CO - Nvidia merilis Nemotron 3.5 Transcribe, model kecerdasan buatan gratis dengan bobot terbuka yang dapat mengubah audio menjadi teks dalam hingga 40 bahasa. Model ini ditujukan untuk pengembang yang membangun aplikasi transkripsi, termasuk untuk rapat bisnis dan kebutuhan medis. Namun, Nemotron 3.5 hanya memproses rekaman audio, bukan siaran langsung.
Seperti diberitakan TechCrunch AI, Nvidia juga meluncurkan Granary versi 2, yakni pembaruan untuk dataset suara sumber terbukanya. Dataset tersebut dapat digunakan bersama Nemotron 3.5 dan perangkat lain, seperti model NeMo Speech, untuk mengembangkan aplikasi pengenal suara yang disesuaikan dengan kebutuhan tertentu.
Nvidia menyebut Nemotron 3.5 mampu menangani rekaman berdurasi hingga satu jam dan mengenali hingga delapan pembicara yang berbeda dalam audio. Perusahaan juga menyatakan model itu dapat menerjemahkan 31 bahasa ke bahasa Inggris maupun sebaliknya. Dengan demikian, kemampuan transkripsi hingga 40 bahasa dan kemampuan penerjemahan 31 bahasa merupakan dua cakupan yang berbeda.
Baca juga: TechCrunch Founder Summit Digelar 4 November, Tiket Hemat hingga US$100
Pengembang dapat memanfaatkan model dan dataset Granary yang diperbarui untuk menyesuaikan aplikasi agar mengenali istilah khusus suatu industri dalam setiap bahasa. Penggunaan di bidang rapat bisnis dan transkripsi medis menjadi sasaran karena keduanya termasuk area kerja yang telah memiliki pijakan kuat bagi pemanfaatan AI, menurut laporan tersebut.
Nvidia turut mengklaim Nemotron 3.5 mengungguli pesaing dalam sejumlah pengujian, termasuk Hugging Face’s Open ASR Leaderboard. Klaim tersebut disampaikan perusahaan; materi yang tersedia tidak merinci skor atau selisih hasil pengujian. Meski begitu, kemampuan menangani rekaman panjang dan memisahkan suara beberapa pembicara menjadi bagian dari kapasitas yang ditawarkan untuk pengolahan audio tersimpan.
Baca juga: Amazon Berpotensi Jadi Pemenang Terbesar IPO Anthropic
Satu batasan yang disebutkan adalah model ini tidak bekerja pada aliran audio langsung. Karena itu, penggunaannya berbeda dari perangkat yang dirancang untuk pemrosesan suara secara seketika. TechCrunch AI mencatat, kemampuan real-time menjadi salah satu area yang ditawarkan oleh sejumlah pesaing, termasuk ElevenLabs.
Model dengan 30 miliar parameter tersebut, menurut Nvidia, dapat dijalankan pada satu chip. Perusahaan menyebut sejumlah perangkat yang dapat menjalankannya, mulai dari pengendali robot Jetson AGX Thor dan chip DGX Spark yang mendukung laptop baru, hingga chip pusat data Blackwell. Nemotron 3.5 bergabung dengan jajaran model suara berbobot terbuka Nvidia, termasuk Parakeet yang berukuran jauh lebih kecil, dengan 1,1 miliar parameter.
Baca juga: Orang Tua Bowen Wan Gugat OpenAI atas Saran Pengurangan Obat
Peluncuran ini berlangsung di tengah periode yang ramai dengan rilis model suara AI. Mistral mengirimkan Voxtral 3 pada awal bulan yang sama, ElevenLabs meluncurkan Realtime untuk percakapan langsung pada agen suara, dan Salesforce merilis model suaranya, Launa-Omni. Berbeda dari tawaran yang menonjolkan pemrosesan langsung, Nemotron 3.5 dalam rilis ini berfokus pada transkripsi rekaman.