NVIDIA ने ओपन-वेट Nemotron 3.5 Transcribe जारी किया, जो Artificial Analysis पर ओपन-वेट स्पीच-टू-टेक्स्ट मॉडल में #1 स्थान साझा करता है

NVIDIA का Nemotron 3.5 Transcribe एक नया ओपन-वेट, प्रॉम्प्ट से निर्देशित किया जा सकने वाला स्पीच-टू-टेक्स्ट मॉडल है: 30B का mixture-of-experts, जिसमें लगभग 4B सक्रिय पैरामीटर हैं। NVIDIA के अनुसार, एक ही चेकपॉइंट 40 भाषाओं में ट्रांसक्रिप्शन, वक्ता की पहचान, अनुवाद, संदर्भ-आधारित प्रॉम्प्टिंग और ऑडियो की समझ संभालता है; साथ ही, वेट, डेटा और रेसिपी खुले हैं। यह Hugging Face पर उपलब्ध है और इसका लाइव डेमो भी है।

Artificial Analysis के बताए नतीजे (उसके अपने आँकड़े):

• AA-WER Index पर इसका स्कोर 2.8% है। यह ओपन-वेट मॉडल में #1 स्थान के लिए Mistral के Voxtral Small के बराबर है और Thinking Machines के Inkling (3.5%) से आगे है। यह NVIDIA के पिछले सर्वश्रेष्ठ मॉडल, Canary Qwen 2.5B (4.3%), से बेहतर है।
• वॉइस एजेंट बातचीत के अपने डेटासेट AA-AgentTalk पर इसका स्कोर 1.8% है, जबकि Voxtral Small का स्कोर 2.3% है।
• यह 6 गुना कम सक्रिय पैरामीटर (4B बनाम 24B) के साथ Voxtral Small जितनी सटीकता हासिल करता है; इसी आकार के अन्य ओपन-वेट मॉडल का WER लगभग 4% है।
• DeepInfra के होस्ट किए गए एंडपॉइंट पर यह 75x Speed Factor से चलता है (एक मिनट का ऑडियो एक सेकंड से कम में) और 1,000 मिनट के ऑडियो के लिए इसकी कीमत $2.00 है।

NVIDIA के दावे:

• Hugging Face Open ASR English लीडरबोर्ड पर यह 5.33% की औसत शब्द त्रुटि दर के साथ ओपन-वेट मॉडल में #1 स्थान पर है।
• VoiceArena की 14-सिस्टम वाली diarization-plus-ASR तुलना और David AI के बहुभाषी diarization बेंचमार्क पर यह #1 स्थान पर है।
• मेडिकल ASR केस स्टडी में, Granary v2 के ओपन स्पीच डेटा और NeMo Speech टूल्स के साथ fine-tuning करने पर, अलग रखे गए वक्ताओं के लिए सर्वश्रेष्ठ प्रॉम्प्ट की तुलना में शब्द त्रुटि दर 45.8% कम हुई।

28 अक्टूबर तक Artificial Analysis की पोस्ट को X पर 64 पॉइंट मिले थे; 29 अक्टूबर तक NVIDIA की घोषणा को 6,612 पॉइंट और 230 टिप्पणियाँ मिली थीं।