صدا و موسیقی
@PiotrZelasko
@PiotrZelaskoانویدیا قوی‌ترین مدل تبدیل گفتار به متن آفلاین خودش رو به اسم Nemotron 3.5 Transcribe فرستاده تو میدون که بدجوری گردوخاک کرده
انویدیا قوی‌ترین مدل تبدیل گفتار به متن آفلاین خودش رو به اسم Nemotron 3.5 Transcribe فرستاده تو میدون که بدجوری گردوخاک کرده. این غول جدید رو ۴۰ تا زبان مسلطه، می‌تونه صدای تا ۸ تا گوینده رو هم‌زمان تفکیک کنه و حتی تایم‌استمپ دقیق هر کلمه رو هم تحویلت بده. سرعتی که روی تراشه‌های بلک‌ول نشون داده هوش از سر آدم می‌پرونه و توی بنچمارک‌های Open ASR هم نشسته رو رتبه اول جهان؛ قشنگیش هم اینجاست که وزن‌ها، کدها و همه‌چیزش رو اوپن‌سورس و رایگان ریخته روی میز.
منبع
Piotr Żelasko@PiotrZelasko
NVIDIA’s best speech model to date: Nemotron 3.5 Transcribe! It’s an offline model with:
🤖SpeechLLM backed by Nemotron 3.5 Lightning
🧠Steered, promptable, contextual transcription
🌏40 languages
🗣️Up to 8 speaker transcription
⏰Timestamps for each word and speaker
🔥over 2000 RTFx for NVFP4 + DFlash2 on Blackwell GPUs
🏆#1 open model on Open ASR, tied #1 overall on AA-WER, #1 open on David AI multispeaker ASR
🔓Weights, code, recipes, agentic skills, Granary-v2 - all in the open!
See the clip from Her Girl Friday (1940): captioned entirely with a single forward pass!
۶ آبان ۱۴۰۵مشاهده در X
بیشتر بخوانید
بچه‌های تیم فنی انویدیا دست‌به‌کار شدن و مدل صوتی نموترون ۳.۵ رو جوری برای لهجه‌های محلی عربستان مثل نجدی و حجازی شخصی‌سازی کردن که وسط صحبت‌های واقعی مردم گیج نزنه
بچه‌های AssemblyAI بالاخره از اولین مدل تبدیل متن به صوت خودشون به اسم AssemblyAI-TTS-1 رونمایی کردن و رسماً وارد میدون رقابت شدن
بچه‌های شرکت نورالینک یه آمار برگ‌ریزون از جدیدترین دستاوردشون منتشر کردن که واقعاً دل آدم رو شاد میکنه
روزنامه نیویورک‌تایمز یه خبر بمب منتشر کرده که نشون میده یه زن تاجر چینی که روابط حسابی نزدیکی با جنسن هوانگ، همون همه‌کاره و مدیرعامل انویدیا داشته، برای دولت پکن جاسوسی می‌کرده و اطلاعات رد می‌کرده
نظرها
هنوز نظری نیست.
بخش نظرها فعلاً در دسترس نیست.