Nvidia ha lanzado gratuitamente Nemotron 3.5 Transcribe, un modelo de inteligencia artificial de código abierto que transcribe audio en hasta 40 idiomas. Puede procesar grabaciones de hasta una hora y distinguir hasta ocho interlocutores.
La herramienta está dirigida a desarrolladores que crean aplicaciones para reuniones de negocios y transcripción médica. Además, puede ejecutarse en un solo chip y adaptarse al vocabulario técnico de distintos sectores.
Funciones y limitaciones del modelo
El sistema procesa audio previamente grabado, pero no puede transcribir emisiones en directo. Nvidia también describe un modelo de lenguaje aumentado por voz diseñado para adaptar la transcripción a las instrucciones recibidas, por ejemplo, incluyendo o eliminando muletillas.
Hugging Face, que la noticia identifica como propiedad de Nvidia, presenta el modelo como una herramienta para desarrolladores e investigadores que trabajan en interfaces de voz, transcripción y traducción, reuniones y análisis de atención al cliente.
Resultados en pruebas de precisión
Según los resultados de Open ASR Leaderboard citados en la noticia, Nemotron 3.5 Transcribe registró un error de palabras del 4,71 % en inglés y del 4,62 % en pruebas multilingües.
Además, cuando se proporcionan listas de términos específicos o nombres propios, el sistema reduce seis veces los errores en entidades nombradas frente a las transcripciones tradicionales, según sus creadores.
