Nvidia vừa công bố mô hình Nemotron 3.5 Transcribe, một mô hình chuyển giọng mở, miễn phí, hỗ trợ lên tới 40 ngôn ngữ và có khả năng nhận dạng tới tám người nói khác nhau trong một bản ghi.
Mô hình 30 tỷ tham số này có thể chạy trên một chip duy nhất như Jetson AGX Thor, DGX Spark hoặc các chip Blackwell. Nó còn tích hợp khả năng dịch 31 ngôn ngữ sang và từ tiếng Anh, và đã vượt trội trên Open ASR Leaderboard của Hugging Face.
Đi kèm với Granary v2, bộ dữ liệu giọng nói mở, và framework NeMo Speech, các nhà phát triển có thể tùy chỉnh từ vựng chuyên ngành cho các ứng dụng hội nghị và y tế, giúp nhận dạng thuật ngữ kỹ thuật trong từng ngôn ngữ.
Nhược điểm duy nhất là Transcribe chỉ xử lý audio đã ghi, không hỗ trợ streaming thời gian thực, do đó vẫn nhường chỗ cho các đối thủ như ElevenLabs.
Việc Nvidia mở nguồn mô hình và dữ liệu sẽ thúc đẩy nhanh chóng việc triển khai AI giọng nói trong doanh nghiệp Việt, đặc biệt cho các giải pháp ghi âm họp và y tế, đồng thời giảm phụ thuộc vào các dịch vụ trả phí nước ngoài.
Nguồn: TechCrunch — Biên dịch & tổng hợp: danhbaai.com