أعلنت شركة إنفيديا إطلاق نموذج الذكاء الاصطناعي Nemotron 3.5 Transcribe، وهو نموذج مجاني بأوزان مفتوحة يتيح تحويل الكلام إلى نص مكتوب بـ40 لغة، وترجمة 31 لغة منها من الإنجليزية وإليها، إلى جانب تحديد المتحدثين والإجابة عن أسئلة تتعلق بالتسجيلات الصوتية.
مميزات النموذج الجديد
يتمكن النموذج من معالجة تسجيلات صوتية تصل مدتها إلى ساعة كاملة، مع إمكانية التمييز بين ما يصل إلى 8 متحدثين في التسجيل الواحد، ما يجعله أداة مناسبة للمطورين الذين يعملون على تطبيقات تحويل الصوت إلى نص وتحليل المحتوى الصوتي. كما يتيح للمطورين التحكم في طريقة تفريغ التسجيلات من خلال تعليمات مكتوبة بلغة طبيعية، مثل طلب تفريغ حرفي للكلام أو إنتاج نص منقح، فضلاً عن توجيهه للتعرف على مصطلحات متخصصة، بما في ذلك المصطلحات الطبية وأسماء المنتجات.
أداء تقني متميز
يضم النموذج 34 مليار معلمة، لكن نحو 4 مليارات معلمة فقط تستخدم في كل خطوة معالجة، وهو تصميم يستهدف تسريع الأداء وخفض تكاليف التشغيل. ويمكن تشغيله على شريحة واحدة من شرائح إنفيديا، بدءاً من لوحات Jetson الصغيرة وصولاً إلى وحدات معالجة الرسوميات المستخدمة في مراكز البيانات، فيما تسمح رخصته بالاستخدام التجاري. وبحسب إنفيديا، يحتل النموذج المركز الأول بين النماذج مفتوحة الأوزان على لوحة تصنيف التعرف على الكلام باللغة الإنجليزية بمنصة Hugging Face، بمتوسط معدل خطأ في الكلمات يبلغ 5.33%. وأوضحت الشركة أنه مصمم لمعالجة التسجيلات الصوتية، وليس لتفريغ الكلام المباشر لحظة بلحظة.
مجموعة بيانات Granary v2
بالتزامن مع النموذج الجديد، كشفت إنفيديا عن Granary v2، وهي مجموعة بيانات مجانية تضم 463,062 ساعة من التسجيلات الصوتية موزعة على 48 لغة، مقارنة بـ25 لغة في الإصدار الأول. وتتيح المجموعة للمطورين تنزيل الملفات الصوتية من مصادرها الأصلية، وفقاً للترخيص الخاص بكل مصدر.
تطبيقات طبية متخصصة
استعرضت إنفيديا إمكانات تخصيص النموذج للتطبيقات المتخصصة، من خلال تدريبه على تسجيلات طبية لأطباء هنود، ما أدى إلى خفض الأخطاء بنسبة 45.8% في مقاطع الاختبار التي لم تستخدم خلال التدريب. واستغرقت عملية التدريب نحو 14 ساعة باستخدام وحدة معالجة رسوميات واحدة، وهو ما يبرز إمكانية تكييف النموذج مع مجالات محددة دون الحاجة إلى بنية حوسبة ضخمة.
