Vào tháng 10/2026, NVIDIA công bố Nemotron 3.5 Transcribe, một mô hình mở (open‑weight) có khả năng chuyển đổi âm thanh thành văn bản, gán nhãn người nói, dịch và trả lời câu hỏi âm thanh. Mô hình này hỗ trợ 40 ngôn ngữ trong việc phiên âm, trong khi 31 ngôn ngữ có thể dịch tới hoặc từ tiếng Anh, và nhận dạng người nói cho 13 ngôn ngữ.
Nhờ tính năng promptable, người dùng có thể chỉ định yêu cầu như “dịch sang tiếng Việt” hoặc “ghi lại các thuật ngữ y tế” ngay trong lời gọi API. Mô hình chạy trên một GPU NVIDIA duy nhất, từ DGX Spark tới Blackwell, và có thể xử lý bản ghi lên tới một giờ với tối đa tám người nói.
- Đạt vị trí đầu trên Hugging Face Open ASR Leaderboard cho tiếng Anh.
- Thấp nhất trên bảng xếp hạng 21‑ngôn ngữ của David AI cho diarization.
- Trong một nghiên cứu y tế, fine‑tuning giảm WER tới 45,8% so với prompt thuần.
Granary v2 cung cấp dữ liệu đa ngôn ngữ và pipeline chuẩn để người dùng tự đào tạo mô hình theo nhu cầu. Ví dụ, công ty Agora đã tích hợp Nemotron 3.5 Transcribe vào nền tảng lớp học trực tuyến, cho phép hiển thị phụ đề thời gian thực và đánh dấu thời gian từng câu nói.
Với khả năng kết hợp phiên âm, dịch và nhận dạng người nói trong một checkpoint duy nhất, Nemotron 3.5 Transcribe hứa hẹn sẽ là công cụ mạnh mẽ cho các doanh nghiệp và nhà nghiên cứu AI Việt Nam muốn triển khai các giải pháp âm thanh đa ngôn ngữ mà không cần xây dựng mô hình từ đầu.
Nguồn: Hugging Face — Biên dịch & tổng hợp: danhbaai.com