NVIDIA เปิด Nemotron 3.5 Transcribe ถอดเสียง 40 ภาษา พร้อม Granary v2

NVIDIA เปิดตัว Nemotron 3.5 Transcribe พร้อมชุดข้อมูลและกระบวนการคัดสรรเสียง Granary v2 ในบทความที่เผยแพร่บน Hugging Face วันที่ 28 ตุลาคม 2026 โมเดลแบบ open-weight นี้มุ่งรวมการถอดเสียง การระบุผู้พูด การแปล และการถามตอบจากเสียงไว้ใน checkpoint เดียว เพื่อให้ผู้พัฒนาปรับคำสั่งและรูปแบบผลลัพธ์ให้เหมาะกับงานได้

รองรับหลายงาน แต่ความครอบคลุมไม่เท่ากัน

ผู้พัฒนาระบุว่าโมเดลถอดเสียงได้ 40 ภาษา แปล 31 ภาษาไปหรือมาจากภาษาอังกฤษ และระบุผู้พูดได้ 13 ภาษา รองรับไฟล์บันทึกยาวได้ถึงหนึ่งชั่วโมงและติดป้ายผู้พูดได้สูงสุดแปดคน อย่างไรก็ดี ความสามารถต่างกันตามงานและภาษา: บทความระบุว่าการถามตอบจากเสียงฝึกด้วยภาษาอังกฤษ และโมเดลนี้ออกแบบมาสำหรับเสียงที่บันทึกไว้ ไม่ใช่การสตรีมสด ส่วนการใช้งานผ่าน vLLM ทำได้แล้ว ขณะที่การรันในเครื่องด้วย NeMo-Speech.cpp และรุ่น quantized ระบุว่ายังจะตามมา

Granary v2 เปิดข้อมูลและแนวทางปรับโมเดล

Granary v2 เผยแพร่ manifest ที่ผู้พัฒนาระบุว่าครอบคลุมข้อมูล 463,062 ชั่วโมงใน 48 ภาษา จาก 16 แหล่งข้อมูล พร้อม pipeline สำหรับสร้าง transcript หลายรูปแบบและข้อมูลประกอบการฝึก ตัวเลขนี้หมายถึงชุด manifest ที่เผยแพร่ ไม่ใช่ปริมาณข้อมูลฝึกทั้งหมดของโมเดลหรือสัดส่วนที่ใช้จริงในแต่ละภาษา

ตัวเลขประสิทธิภาพเป็นผลที่ผู้พัฒนาอ้าง

บทความรายงานอันดับจาก Hugging Face Open ASR Leaderboard และการประเมินของ Artificial Analysis, David AI และ VoiceArena รวมถึงผลปรับแต่งในกรณีศึกษาทางการแพทย์ ตัวเลขเหล่านี้เป็นผลตามชุดข้อมูลและวิธีวัดที่ระบุ ไม่รับประกันความแม่นยำกับเสียงจริงทุกสำเนียง เสียงรบกวน หรือคำศัพท์เฉพาะ ผู้พัฒนาแนะนำให้ตรวจชื่อบุคคล การเปลี่ยนผู้พูด และคำตอบที่โมเดลสร้างเทียบกับเสียงต้นฉบับ

รายละเอียดต้นทาง: บทความ NVIDIA บน Hugging Face