NVIDIA, Artificial Analysis'te açık ağırlıklı konuşmadan metne modeller arasında 1. sırayı paylaşan Nemotron 3.5 Transcribe'ı piyasaya sürdü

NVIDIA'nın Nemotron 3.5 Transcribe'ı, açık ağırlıklı ve istemlerle yönlendirilebilen yeni bir konuşmadan metne modeli: yaklaşık 4B etkin parametreye sahip, 30B'lık bir uzman karışımı modeli. NVIDIA, tek bir checkpoint'in 40 dilde transkripsiyon, konuşmacı tanımlama, çeviri, bağlamsal istem ve ses anlama işlerini yaptığını; ağırlıkların, verilerin ve tariflerin açık olduğunu söylüyor. Hugging Face'te canlı bir demoyla birlikte sunuluyor.

Artificial Analysis'in bildirdiği sonuçlar (kendi ölçümleri):

• AA-WER Index'te %2,8 puan alarak açık ağırlıklı modeller arasında Mistral'ın Voxtral Small modeliyle 1. sırayı paylaşıyor ve Thinking Machines'ın Inkling modelini (%3,5) geride bırakıyor. NVIDIA'nın önceki en iyi modeli Canary Qwen 2.5B'ye (%4,3) kıyasla iyileşme sağlıyor.
• Sesli ajan konuşmalarından oluşan veri kümesi AA-AgentTalk'ta %1,8 puan alıyor; Voxtral Small'ın puanı %2,3.
• Voxtral Small ile aynı doğruluğu 6 kat daha az etkin parametreyle (24B'ye karşı 4B) sunuyor; benzer boyuttaki diğer açık ağırlıklı modellerin WER değeri yaklaşık %4.
• DeepInfra'nın barındırılan uç noktasında 75x Hız Faktörüyle çalışıyor (bir dakikalık sesi bir saniyeden kısa sürede işliyor) ve 1.000 dakikalık ses için 2,00 $ tutuyor.

NVIDIA'nın iddiaları:

• Hugging Face Open ASR English liderlik tablosunda, ortalama %5,33 sözcük hata oranıyla açık ağırlıklı modeller arasında 1. sırada yer alıyor.
• VoiceArena'nın 14 sistemli diarizasyon ve ASR karşılaştırmasında ve David AI'ın çok dilli diarizasyon kıyaslamasında 1. sırada yer alıyor.
• Bir tıbbi ASR vaka çalışmasında, Granary v2 açık konuşma verileri ve NeMo Speech araçlarıyla ince ayar yapılması, ayrılmış konuşmacılarda en iyi isteme kıyasla sözcük hata oranını %45,8 düşürdü.

Artificial Analysis'in gönderisi 28 Ekim itibarıyla X'te 64 puan almıştı; NVIDIA'nın duyurusu ise 29 Ekim itibarıyla 6.612 puan ve 230 yorum almıştı.