NVIDIA Nemotron 3.5 trascrive 40 lingue e riconosce fino a 8 persone

NVIDIA amplia il proprio ecosistema di Intelligenza Artificiale con Nemotron 3.5 Transcribe, un modello aperto progettato per trasformare le registrazioni vocali in contenuti testuali utilizzabili in diversi contesti professionali.

La soluzione combina riconoscimento vocale, identificazione degli interlocutori, traduzione e comprensione delle informazioni contenute nell’audio. L’annuncio, pubblicato su Hugging Face, comprende anche Granary v2, una risorsa destinata a migliorare l’addestramento e l’adattamento dei sistemi vocali.

L’iniziativa si rivolge soprattutto a sviluppatori e aziende interessati a integrare funzionalità audio nei propri prodotti, mantenendo maggiore controllo sull’elaborazione dei dati e sulle modalità di utilizzo del modello.

Nemotron 3.5 Transcribe, tutte le funzionalità del modello NVIDIA

Il sistema supporta la trascrizione in 40 lingue e può tradurne 31 verso l’inglese o dall’inglese. Integra inoltre la diarizzazione, cioè il processo che associa le parole ai rispettivi interlocutori, anche quando il dialogo presenta sovrapposizioni. Le registrazioni possono durare fino a un’ora, con il riconoscimento di un massimo di otto persone. Queste caratteristiche rendono il modello interessante per riunioni, interviste, contenuti multilingue e dettature specialistiche.

Una differenza importante riguarda la possibilità di impartire istruzioni in linguaggio naturale. Gli sviluppatori possono richiedere una trascrizione fedele al parlato, versione ripulita dalle esitazioni oppure una traduzione. Il sistema può anche rispondere a domande sul contenuto delle registrazioni, ampliando le possibilità di utilizzo oltre la semplice conversione della voce in testo.

Secondo i risultati riportati da NVIDIA, il modello ottiene prestazioni competitive nei benchmark pubblici dedicati alla trascrizione e all’identificazione dei parlanti. L’architettura Mixture of Experts conta circa 30 miliardi di parametri complessivi, ma ne attiva approssimativamente 4 miliardi durante l’elaborazione. Questa configurazione punta a contenere il carico computazionale senza rinunciare a capacità avanzate. Il modello è disponibile su Hugging Face e ModelScope e può essere eseguito su hardware NVIDIA compatibile.

Granary v2 e personalizzazione per i settori professionali

Il secondo elemento dell’annuncio è Granary v2, un insieme di dati e strumenti per preparare materiali vocali destinati all’addestramento.

Il catalogo pubblico documenta 463.062 ore di audio distribuite su 48 lingue. La pipeline consente di generare differenti rappresentazioni delle trascrizioni, controllare la qualità dei contenuti e ricavare informazioni utili per attività linguistiche più specializzate.

La personalizzazione assume particolare importanza in ambiti come quello medico, dove nomi di farmaci, abbreviazioni ed espressioni tecniche possono compromettere l’accuratezza del testo finale. Nel caso di studio presentato da NVIDIA, l’addestramento specializzato ha ridotto del 45,8% il tasso relativo di errore sulle registrazioni di valutazione con parlanti non utilizzati nell’addestramento. Il risultato evidenzia il valore di dati rappresentativi e convenzioni testuali definite con precisione, pur senza garantire prestazioni equivalenti in qualsiasi ambiente clinico.

Per le imprese, la scelta non dovrebbe dipendere soltanto dalla qualità delle trascrizioni, ma anche dalla compatibilità con l’infrastruttura esistente, dai requisiti di riservatezza e dai costi di gestione. La disponibilità di componenti aperti offre maggiore libertà di sperimentazione, mentre la validazione su registrazioni reali resta essenziale per stabilire l’affidabilità del sistema.