NVIDIA-এর ওপেন Nemotron 3.5 Transcribe স্পিচ-টু-টেক্সট, স্পিকার আইডেন্টিফিকেশন এবং অনুবাদকে একটি দক্ষ মডেলে একত্রিত করে, যা ডেভেলপারদের জন্য বহুভাষিক অডিও প্রসেসিং সহজ করে তোলে।
এআই দিয়ে তৈরি সারাংশ। প্রেক্ষাপট ও নির্ভুলতার জন্য মূল প্রতিবেদন দেখুন।
এটি ফিডে পাওয়া অংশবিশেষ। এটি সংক্ষিপ্ত বা প্রকাশকের মূল ভাষায় হতে পারে।
NVIDIA has released Nemotron 3.5 Transcribe, an open-weights speech LLM built for transcription. One model handles 40 languages and recordings up to 1 hour. A text instruction picks the output style for each request. Options include verbatim, written form, speaker-attributed, contextual and translated output. For developers, it can replace separate ASR, diarization and alignment tools. TL;DR Size: 34B total and about 4.3B active parameters; 65,536-token context; audio up to 1 hour. Runs on: 1x H100 80 GB in BF16. FP8 (about 35 GB) and NVFP4 (about 21 GB) checkpoints exist; NVFP4 runs on an RTX 5090. GGUF files target NeMo-Speech.cpp. Performance: Best open-weights model on the English and multilingual Open ASR Leaderboards; top commercial APIs still lead. Best: 4.71% mean WER on the 9 public English Open ASR sets (next open model: 4.94%). Worst: 34.95% cpCER on AliMeeting Mandarin far-field meetings. Bottom line: Best thing: 1 open model covers transcripts, speaker labels, timestamps and translation. Worst thing: offline only, with weak Mandarin meeting accuracy. What is Nemotron 3.5 Transcribe? Nemotron 3.5 Transcribe is a speech-augmented language model (SALM) from NVIDIA that turns audio and instructions into text. An audio encoder feeds embeddings into an LLM decoder, which makes transcription promptable. NVIDIA’s technical research report argues there is no single correct transcript. Numbers, fillers and domain terms depend on who reads the output. NVIDIA positions the model as a transcription specialist, not a general-purpose assistant. How does the architecture work? It has three parts: Parallel Expert Encoder: a trainable 0.6B Transformer ASR encoder runs beside a frozen Nemotron 3 Diarization model. The diarizer tracks up to 8 speakers. Its speaker activity is added to the ASR features every 80 ms. The LLM therefore sees who spoke when, without architecture changes. LLM backbone: Nemotron 3.5 Lightning 30B-A3B, a hybrid Mamba-Transformer MoE. I
উৎসের বিশ্বাসযোগ্যতা, শব্দ ও সত্তার ভিত্তিতে ১–১২ স্কেলে স্বয়ংক্রিয়ভাবে সাজানোর সহায়ক। উচ্চ: ৯–১২; মাঝারি: ৬–৮; নিম্ন: ১–৫। এটি জরুরিতা বা খবরের সত্যতা নির্ধারণ করে না এবং সম্পাদকীয় অনুমোদন নয়।
গুগল ডিপমাইন্ডের নতুন জেমিনি ৪ কার্বন মডেল কোডিং এবং সাইবার ডিফেন্সে শীর্ষে, তবে এটি শুধুমাত্র যাচাইকৃত নিরাপত্তা বিশেষজ্ঞদের জন্য সীমাবদ্ধ, সাধারণ জনগণের জন্য নয়।
MiniMax তার অভ্যন্তরীণ MCode স্ট্যাককে ওপেন-সোর্স করেছে, যা ডেভেলপারদের জন্য ব্যবহারিক, ইনস্টলযোগ্য এজেন্ট স্কিল সরবরাহ করে, যা জটিল কোডিং ওয়ার্কফ্লো স্বয়ংক্রিয় করে।