انویدیا روز چهارشنبه Nemotron 3.5 Transcribe را منتشر کرد؛ مدلی رایگان با وزن‌های باز که می‌تواند فایل‌های صوتی را به حداکثر ۴۰ زبان پیاده‌سازی کند. این شرکت همچنین نسخهٔ دوم مجموعه‌دادهٔ متن‌باز گفتار خود، Granary، را منتشر کرد.

انویدیا می‌گوید Nemotron 3.5 می‌تواند میان ۳۱ زبان و انگلیسی ترجمه کند، فایل‌های صوتی تا یک ساعت را پردازش کند و صدای حداکثر هشت گوینده را از هم تشخیص دهد. این شرکت مدعی است که این مدل در آزمون‌های معیار، از جمله جدول رتبه‌بندی Open ASR در Hugging Face، از رقبایش بهتر عمل می‌کند.

این ابزارها برای توسعه‌دهندگانی طراحی شده‌اند که اپلیکیشن‌هایی برای جلسات کاری و پیاده‌سازی گفتار پزشکی می‌سازند؛ دو مورد از جاافتاده‌ترین کاربردهای هوش مصنوعی در محیط کار. انویدیا می‌گوید توسعه‌دهندگان می‌توانند با استفاده از این مدل، نسخهٔ به‌روزشدهٔ مجموعه‌دادهٔ Granary و ابزارهایی مانند مدل گفتاری NeMo، اپلیکیشن‌ها را طوری سفارشی‌سازی کنند که اصطلاحات تخصصی هر حوزه را به هر زبان تشخیص دهند. یکی از محدودیت‌های این ابزار آن است که Transcribe با فایل‌های صوتی ضبط‌شده کار می‌کند، نه با پخش زنده.

با این حال، این شرکت وعده می‌دهد که Transcribe با ۳۰ میلیارد پارامتر می‌تواند روی یک تراشه اجرا شود؛ از کنترلر رباتیک Jetson AGX Thor و تراشهٔ DGX Spark که نیروی لپ‌تاپ‌های جدید را تأمین می‌کند گرفته تا تراشه‌های Blackwell برای مراکز داده. این مدل به مجموعهٔ مدل‌های صوتی با وزن‌های باز انویدیا می‌پیوندد؛ از جمله مدل بسیار کوچک اما قدرتمند Parakeet با ۱٫۱ میلیارد پارامتر.

جدیدترین محصول صوتی انویدیا در دوره‌ای پررونق از انتشار مدل‌های صوتی هوش مصنوعی عرضه شده است: Mistral اوایل این ماه Voxtral 3 را منتشر کرد؛ ElevenLabs سرویس Realtime را برای گفتار آنی در عامل‌های صوتی راه‌اندازی کرد؛ و Salesforce مدل صوتی خود، Launa-Omni، را منتشر کرد.