NVIDIAが音声文字変換の大規模モデルNemotron 3.5 Transcribeを発表し、8人が同時に話しても正確に認識可能
NVIDIAは新たに音声文字変換の大規模モデルNemotron 3.5 Transcribeを正式にオープンソース化しました。このモデルはプロフェッショナルな音声処理向けで、多言語での文字起こし精度、長時間音声の処理、複数話者の分離といった主要な指標において業界トップクラスの性能を誇ります。ハイブリッド・エキスパート(MoE)アーキテクチャを採用し、総パラメータ数は約340億で、毎回の前向き伝播時に一部のパラメータのみを活性化することで効率を向上させています。全体として、プロフェッショナルな音声文字変換に対する新たなオープンソース選択肢を提供しています。



