Firma NVIDIA ogłosiła 28 października 2026 roku udostępnienie otwartego, multimodalnego modelu do analizy mowy Nemotron 3.5 Transcribe oraz jednego z największych na świecie zbiorów danych audio. Nowe narzędzia mają na celu przyspieszenie badań i rozwoju w dziedzinie sztucznej inteligencji zdolnej do rozumienia i przetwarzania języka mówionego.
Sercem nowej oferty jest Nemotron 3.5 Transcribe, potężny model oparty na 30 miliardach parametrów. Jego wszechstronność wykracza daleko poza zwykłą transkrypcję. Model został zaprojektowany do obsługi szerokiego spektrum zadań związanych z dźwiękiem, w tym tłumaczenia maszynowego, identyfikacji mówców oraz odpowiadania na pytania dotyczące treści nagrań.
Narzędzie potrafi pracować z 40 różnymi językami. Szczególnie imponujące są jego zdolności translacyjne – model może tłumaczyć 31 języków na język angielski lub z języka angielskiego. Dodatkowo, w ramach jednego nagrania, algorytm jest w stanie rozróżnić i zidentyfikować do ośmiu różnych mówców, co otwiera nowe możliwości w analizie spotkań, wywiadów czy materiałów medialnych.
Równolegle z modelem NVIDIA udostępniła zbiór danych Granary v2, który jest jednym z największych otwartych zasobów tego typu. Zawiera on aż 463 062 godziny zanonimizowanych nagrań audio. Tak ogromna baza danych ma kluczowe znaczenie dla trenowania i precyzyjnego dostrajania modeli sztucznej inteligencji, pozwalając na osiągnięcie wyższej dokładności i lepszego rozumienia niuansów językowych w różnych dialektach i akcentach.
Nowy model NVIDII charakteryzuje się nie tylko wszechstronnością, ale również wysoką wydajnością. Wykorzystując moc obliczeniową procesorów graficznych NVIDIA Blackwell, Nemotron 3.5 Transcribe jest w stanie przetworzyć 100 godzin nagrań audio w mniej niż trzy minuty. To tempo pracy znacząco skraca czas potrzebny na analizę dużych wolumenów danych.
Jeśli chodzi o dokładność, bazowy wskaźnik błędu słów (WER) modelu wynosi 30,8%. Jednak jego prawdziwa siła tkwi w możliwościach adaptacji. Po specjalistycznym dostrojeniu do analizy mowy w kontekście medycznym, dokładność drastycznie wzrasta.
Po dostrojeniu do specyficznej terminologii medycznej, wskaźnik błędu słów (WER) w modelu Nemotron 3.5 Transcribe spada z 30,8% do zaledwie 11,8%.
Wysoką jakość modelu potwierdzają również wyniki w niezależnych testach. W angielskim zestawie danych rankingu Open ASR Leaderboard, Nemotron 3.5 Transcribe osiągnął średni wskaźnik błędu słów na poziomie 5,33%, co plasuje go w czołówce dostępnych rozwiązań do automatycznego rozpoznawania mowy.
NVIDIA Releases All-In-One, Adaptable ‘Nemotron 3.5’ Audio Transcription and Translation Model, SiliconANGLE, 2026. https://siliconangle.com/2026/10/28/nvidia-releases-all-in-one-adaptable-nemotron-3-5-audio-transcription-and-translation-model/
NVIDIA wprowadza otwarty model rozpoznawania mowy i zbiór danych audio obejmujący 463 062 godziny, Unite.AI, 2026. https://news.google.com/rss/articles/CBMinAFBVV95cUxNQk5MSXRyUVd0anQ4SG9jUFVaMi1ud2VDUF9qMTFIZTZkM1AwTHZSUVJiV2JkTU9ickRMX0tScEdaSmFfNnM0eE9UNU9tOTFTQzI2UVZ4S1h5Nm5fbFFuQ2VDS0Z1LVZ5Y3BlcjhyS0lnUjZ5bWJOVjZBQmt1QXA2bjZyWkZyVnUyVFZpR1VHUHQtaXNzU2JHazNuWUw?oc=5
NVIDIA Opens 30B Nemotron-3.5-Transcribe and 463K Hour Granary v2 Speech Dataset, AIWEEKLY, 2026. https://aiweekly.co/alerts/nvidia-opens-30b-nemotron-35-transcribe-and-463k-hour-granary-v2-speech-dataset
NVIDIA Nemotron-3.5-Transcribe & Granary v2, Runtime Wire, 2026. https://runtimewire.com/article/nvidia-nemotron-35-transcribe-granary-v2
