Nvidia ha presentato i modelli Nemotron 3.5 Transcribe e Granary v2

Nvidia ha rilasciato due modelli specializzati: Nemotron 3.5 Transcribe per il riconoscimento vocale e Granary v2 per la strutturazione dei dati. Le novità sono orientate alla creazione di sistemi di trascrizione ad alta precisione con la possibilità di adattamento a domini specifici e caratteristiche linguistiche.

Il modello Nemotron 3.5 Transcribe è progettato per la conversione di audio in testo con supporto multilingue. Oltre alla trascrizione, supporta la traduzione e il riconoscimento del parlante, accettando istruzioni sotto forma di prompt testuali. Il modello dimostra una posizione di leadership in diversi benchmark, utilizzando solo un sesto dei parametri attivi rispetto al suo concorrente open source più vicino. Per l'addestramento, Nvidia ha inoltre fornito un set di dati che include oltre 800.000 ore di parlato e strumenti per il fine-tuning.

A sua volta, Granary v2 funge da strumento per l'elaborazione successiva: il modello riceve in input il testo trascritto e lo converte in formati strutturati, come JSON o SQL, utilizzando prompt per gestire lo schema di output.

Entrambi i modelli supportano l'integrazione in pipeline di elaborazione dati, il che consente di automatizzare la creazione di report, verbali di riunioni e sintesi analitiche da flussi audio. Gli sviluppatori possono addestrare ulteriormente i sistemi sui propri set di dati, il che è fondamentale per settori altamente specializzati come la medicina o il diritto, dove i modelli standard commettono spesso errori nel lessico professionale.

Per gli operatori del settore, ciò significa la possibilità di implementare una pipeline "audio-to-structure" utilizzando gli strumenti Nvidia, riducendo i tempi di annotazione manuale e post-elaborazione dei dati. I modelli sono disponibili per la consultazione e il test tramite la piattaforma Hugging Face, offrendo agli sviluppatori impostazioni flessibili per l'adattamento a specifici obiettivi aziendali.