Η Nvidia κυκλοφόρησε στις 28 Οκτωβρίου το Nemotron 3.5 Transcribe, ένα μοντέλο μετατροπής ομιλίας σε κείμενο με ανοιχτά βάρη που υποστηρίζει 40 γλώσσες. Επεξεργάζεται ηχογραφήσεις έως μίας ώρας, ξεχωρίζει ποιος μιλά, μπορεί να μεταφράζει και δίνει χρονική σήμανση ανά λέξη. Λειτουργεί σε ηχογραφημένο υλικό και όχι σε ζωντανό ήχο. Διατίθεται σε διάφορες εκδόσεις, μεταξύ αυτών και GGUF για τοπική εκτέλεση, με την άδεια OpenMDW-1.1.

Τι σημαίνει: Η απομαγνητοφώνηση είναι από τις πιο πρακτικές χρήσεις της τεχνητής νοημοσύνης για επιχειρήσεις: πρακτικά συσκέψεων, συνεντεύξεις, κλήσεις εξυπηρέτησης πελατών, ιατρικές σημειώσεις. Μέχρι τώρα οι περισσότερες καλές λύσεις λειτουργούσαν ως υπηρεσίες cloud, δηλαδή ο ήχος έφευγε από την εταιρεία προς τρίτο πάροχο. Ένα ανοιχτό μοντέλο που τρέχει σε δικό σας εξοπλισμό αλλάζει αυτή την εξίσωση, ειδικά για δικηγορικά γραφεία, ιατρεία, λογιστήρια και δημόσιους φορείς που χειρίζονται ευαίσθητα δεδομένα και πρέπει να συμμορφώνονται με τον Γενικό Κανονισμό Προστασίας Δεδομένων. Το κρίσιμο ερώτημα για την Ελλάδα είναι η ποιότητα στα ελληνικά, που συνήθως υστερεί σε σχέση με τα αγγλικά, και πώς χειρίζεται ορολογία, ονόματα και τοπικές προφορές. Πριν από οποιαδήποτε χρήση σε παραγωγή, αξίζει δοκιμή σε πραγματικές ηχογραφήσεις της εταιρείας και σύγκριση με τις υπηρεσίες που ήδη χρησιμοποιούνται. Η έλλειψη υποστήριξης για ζωντανό ήχο σημαίνει επίσης ότι δεν καλύπτει τηλεφωνικά κέντρα σε πραγματικό χρόνο. Τέλος, η εκτέλεση ενός μοντέλου αυτού του μεγέθους χρειάζεται κάρτα γραφικών, άρα το κόστος υποδομής πρέπει να συγκριθεί με τη συνδρομή ενός παρόχου.

Διαβάστε το πρωτότυπο στο NVIDIA

Σχετική υπηρεσία: Ανάπτυξη λογισμικού

Σχετικές ειδήσεις