Nvidia เปิดตัวโมเดลถอดเสียงโอเพนซอร์ส รองรับสูงสุด 40 ภาษา แต่ยังไม่ใช่แบบเรียลไทม์

Nvidia เปิดตัวโมเดลถอดเสียงพูดเป็นข้อความแบบเปิดให้ใช้งานฟรี ซึ่งรองรับการถอดเสียงได้สูงสุด 40 ภาษา ถือเป็นอีกก้าวสำคัญในตลาด Voice AI และเครื่องมือถอดความอัตโนมัติ โดยเฉพาะงานประชุม สัมมนา การบันทึกการสนทนา และงานเอกสารทางการแพทย์ที่ต้องการความแม่นยำและรองรับหลายภาษา

อย่างไรก็ตาม โมเดลใหม่นี้ยังมีข้อจำกัดสำคัญคือทำงานกับไฟล์บันทึกเสียงที่มีอยู่แล้วเท่านั้น ไม่สามารถถอดเสียงแบบสดระหว่างพูดได้ ซึ่งทำให้มันเหมาะกับงานหลังการบันทึกมากกว่าการใช้งานแบบเรียลไทม์ เช่น ผู้ช่วยประชุมสดหรือระบบสนทนาสดที่คู่แข่งบางรายกำลังผลักดันอยู่

จุดเด่นของการเปิดให้ใช้งานฟรีคือการทำให้ผู้พัฒนาและองค์กรต่าง ๆ สามารถนำไปต่อยอดเป็นบริการถอดเสียงหรือระบบจัดการเนื้อหาเสียงได้ง่ายขึ้น โดยไม่ต้องพึ่งโซลูชันเชิงพาณิชย์ทั้งหมดตั้งแต่ต้น โมเดลลักษณะนี้จึงอาจช่วยลดต้นทุนและเร่งการนำ AI ด้านเสียงไปใช้ในวงกว้างมากขึ้น

ในภาพรวม การเปิดตัวครั้งนี้สะท้อนว่าตลาด Voice AI กำลังแข่งขันกันมากขึ้น ทั้งด้านคุณภาพการถอดเสียง การรองรับหลายภาษา และความยืดหยุ่นในการนำไปใช้งาน แม้ Nvidia ยังไม่ลงไปแข่งตรง ๆ ในตลาดถอดเสียงสด แต่โมเดลใหม่นี้ก็เพิ่มแรงกดดันให้ผู้เล่นรายอื่นต้องพัฒนาความสามารถแบบเรียลไทม์และความแม่นยำให้ดีขึ้นต่อไป