Nvidia เปิดตัวโมเดลถอดเสียงแบบโอเพนเวต รองรับ 40 ภาษา

Nvidia เปิดตัว Nemotron 3.5 Transcribe โมเดลถอดเสียงพูดแบบโอเพนเวตตัวใหม่ โดยชูจุดเด่นเรื่องการรองรับภาษาได้สูงสุด 40 ภาษา และมาพร้อมชุดข้อมูลเสียงที่อัปเดตเพิ่มเติมเพื่อช่วยยกระดับความแม่นยำของระบบถอดเสียง

บริษัทระบุว่าโมเดลนี้ถูกออกแบบมาให้ใช้งานได้กับงานถอดเสียงในหลายบริบท ไม่ใช่แค่การแปลงเสียงเป็นข้อความทั่วไป แต่ยังรองรับการแยกผู้พูดได้สูงสุด 8 คนในไฟล์หรือบทสนทนาเดียวกัน ซึ่งเป็นความสามารถสำคัญสำหรับงานประชุม สัมภาษณ์ พอดแคสต์ หรือคอลเซ็นเตอร์

อีกประเด็นที่น่าสนใจคือ Nvidia อ้างว่าโมเดลสามารถทำงานได้บนชิปเพียงตัวเดียว ซึ่งสะท้อนแนวทางที่ต้องการลดข้อจำกัดด้านโครงสร้างพื้นฐานและทำให้การนำไปใช้งานจริงง่ายขึ้น ทั้งในฝั่งองค์กรและผู้พัฒนาแอปพลิเคชันที่ต้องการนำความสามารถด้านเสียงมาใช้โดยไม่ต้องพึ่งระบบขนาดใหญ่

การปล่อยโมเดลแบบโอเพนเวตยังช่วยขยายการเข้าถึงของนักพัฒนาและองค์กรที่ต้องการปรับแต่งโมเดลให้เหมาะกับภาษาหรือโดเมนเฉพาะของตนเอง แม้รายละเอียดเชิงเทคนิคและผลทดสอบเชิงเปรียบเทียบจะยังต้องพิจารณาเพิ่มเติม แต่การเปิดตัวครั้งนี้ตอกย้ำว่าตลาด AI ด้านเสียงกำลังได้รับความสนใจมากขึ้นอย่างต่อเนื่อง

โดยภาพรวม การมาของ Nemotron 3.5 Transcribe แสดงให้เห็นว่า Nvidia กำลังผลักดันเทคโนโลยีถอดเสียงให้ก้าวไปสู่การใช้งานที่กว้างขึ้น ทั้งในเชิงภาษา ประสิทธิภาพ และความสะดวกในการติดตั้งใช้งาน ซึ่งอาจทำให้การแข่งขันในตลาด speech-to-text และ voice AI เข้มข้นขึ้นอีกระลอก