אנבידיה משיקה את Nemotron 3.5 Transcribe לתמלול ותרגום

ענקית השבבים אנבידיה הודיעה על שחרור המודל Nemotron 3.5 Transcribe, דגם קוד פתוח חדש המיועד לתמלול, תרגום וזיהוי דוברים. המודל זמין כעת להורדה ושימוש דרך הפלטפורמות Hugging Face ו-ModelScope. ההכרזה כוללת גם את שחרור מאגר הנתונים המשודרג Granary v2, הכולל כ-463,000 שעות הקלטה ב-48 שפות שונות, לצד כלי אימון מותאמים אישית.

מה קרה

לפי דיווח באתר SiliconANGLE, המודל החדש מסוגל לבצע מספר פעולות במעבר אחד (Single Pass): תמלול של 40 שפות, תרגום של 31 שפות מ-ואל אנגלית, זיהוי והפרדת שמונה דוברים שונים (ב-13 שפות), ואף מענה לשאלות על תוכן ההקלטה. הדגם מבוסס על ארכיטקטורת Mixture of Experts וכולל 30 מיליארד פרמטרים, אך רק כ-4 מיליארד מהם פעילים בכל רגע נתון.

בזכות מבנה זה, המודל מסוגל לרוץ על מעבד גרפי (GPU) בודד - ממחשבי קצה דוגמת Jetson AGX Thor ומחשבים ייעודיים כמו DGX Spark, ועד לשרתים בתצורה מלאה במרכזי נתונים. לפי נתוני אנבידיה, מעבד שרתים מסדרת Blackwell מסוגל לעבד 100 שעות של אודיו בתוך פחות משלוש דקות.

הפרטים

השליטה במודל מתבצעת באמצעות הנחיות טקסט חופשיות (Prompts). הקלטה בודדת של פגישה יכולה להפיק תוצרים שונים בהתאם לבקשת המשתמש, החל מתמלול מלא עם תגיות דוברים, דרך תרגום לאנגלית ועד לסיכום ההחלטות שהתקבלו. כפי שדווח ב-The Decoder, המודל מאפשר להזין מראש מונחים מקצועיים או ז'רגון רפואי וטכני, כדי לשפר את הדיוק בניתוח השמע.

במבחני ביצועים (Benchmarks), המודל הציג תוצאות מובילות. לפי הנתונים ב-Hugging Face, המודל הגיע למקום הראשון מבין דגמי הקוד הפתוח במבחן Open ASR באנגלית עם שיעור טעויות (WER) של 5.33%. במבחני זיהוי דוברים (Diarization) של VoiceArena ו-David AI, המודל דורג במקום הראשון והציג את שיעור הטעויות הנמוך ביותר, תוך התמודדות יעילה עם דיבור חופף של מספר אנשים במקביל.

מה זה אומר לכם

עבור מפתחים, עסקים וארגונים בישראל, מדובר בכלי עוצמתי שזמין לשימוש פנימי ללא תשלום על רישיונות תוכנה חודשיים. היכולת להריץ את המודל באופן מקומי על גבי המחשבים שלכם מאפשרת לשמור על פרטיות מלאה של מידע רגיש, כגון שיחות רפואיות, פגישות הנהלה או פניות שירות לקוחות.

עם זאת, חשוב לקחת בחשבון שהמודל מיועד לעיבוד הקלטות מוכנות מראש ולא לעבודה בזמן אמת (Livestreaming). אם אתם מפתחים יישומים המתבססים על זיהוי דיבור או ניתוח שיחות, מומלץ לבדוק את הדגם דרך הדמו ב-Hugging Face ולבחון את התאמתו למונחים המקצועיים שלכם לפני הטמעה רחבה.

מה עוד לא ידוע

בשלב זה, התמיכה המלאה של המודל בעברית ואיכות התמלול בשפה זו עדיין לא פורטו במלואן. בעוד שהמודל תומך בתמלול 40 שפות, תכונות מסוימות - כמו מענה לשאלות על גבי השמע - אוומנו בעיקר באנגלית. מומלץ לבדוק את ביצועי המודל על הקלטות בעברית באופן עצמאי כדי לוודא את רמת הדיוק.