NVIDIAがNemotron 3.5 Transcribeを公開：8人の話者分離とプロンプト指示に対応
NVIDIAはオープンウェイトの音声モデル「Nemotron 3.5 Transcribe」を公開した。文字起こし、最大8人の話者分離、翻訳、音声Q&Aを1つのモデルに統合し、40言語と最長1時間の音声に対応する。300億パラメータのMoE構造で動作時の負荷を約40億に抑え、主要なオープンベンチマークで首位を獲得した。
NVIDIAはオープンウェイトの音声モデル「Nemotron 3.5 Transcribe」を公開した。文字起こし、最大8人の話者分離、翻訳、音声Q&Aを1つのモデルに統合し、40言語と最長1時間の音声に対応する。300億パラメータのMoE構造で動作時の負荷を約40億に抑え、主要なオープンベンチマークで首位を獲得した。