In questo articolo Indice dei contenuti 2 sezioni
NVIDIA allarga il proprio ecosistema di intelligenza artificiale con Nemotron 3.5 Transcribe, un modello aperto pensato per trasformare le registrazioni vocali in testo pronto da usare in diversi ambiti professionali. Non si tratta soltanto di trascrivere, perché il sistema mette insieme riconoscimento vocale, identificazione di chi parla, traduzione e comprensione di quello che viene detto nell’audio. Accanto al modello arriva anche Granary v2, una risorsa che punta a migliorare l’addestramento e l’adattamento dei sistemi vocali.
Il pubblico di riferimento è piuttosto chiaro. Si parla soprattutto di sviluppatori e aziende che vogliono integrare funzioni audio nei loro prodotti senza perdere il controllo su come vengono trattati i dati e su come viene impiegato il modello.
Cosa sa fare Nemotron 3.5 Transcribe
Il sistema gestisce la trascrizione in 40 lingue e ne traduce 31 verso l’inglese o dall’inglese. C’è poi la diarizzazione, ovvero il processo che attribuisce ogni parola alla persona che l’ha pronunciata, anche quando le voci si accavallano. Le registrazioni possono arrivare fino a un’ora con un massimo di otto interlocutori riconosciuti. Riunioni, interviste, contenuti in più lingue e dettature specialistiche sono gli scenari dove queste caratteristiche rendono la soluzione di NVIDIA particolarmente interessante.
Uno degli aspetti più curiosi riguarda la possibilità di dare istruzioni in linguaggio naturale. Chi sviluppa può chiedere una trascrizione fedele al parlato oppure una versione ripulita dalle esitazioni, o ancora una traduzione. Il modello è anche in grado di rispondere a domande sul contenuto delle registrazioni e questo lo porta ben oltre la semplice conversione della voce in testo.
Sul fronte delle prestazioni NVIDIA parla di risultati competitivi nei benchmark pubblici dedicati alla trascrizione e al riconoscimento dei parlanti. Sotto il cofano di Nemotron 3.5 Transcribe c’è un’architettura Mixture of Experts con circa 30 miliardi di parametri complessivi, dei quali però ne vengono attivati più o meno 4 miliardi durante l’elaborazione. L’idea è tenere sotto controllo il carico computazionale senza sacrificare le capacità più avanzate. Il modello si può scaricare da Hugging Face e ModelScope e gira su hardware NVIDIA compatibile.
Granary v2 e l’adattamento ai settori professionali
L’altra metà dell’annuncio è Granary v2, un insieme di dati e strumenti per preparare il materiale vocale destinato all’addestramento. Il catalogo pubblico documenta 463.062 ore di audio distribuite su 48 lingue. La pipeline permette di generare diverse rappresentazioni delle trascrizioni, verificare la qualità dei contenuti e ricavare informazioni utili per attività linguistiche più specializzate.
Per le imprese però la bontà delle trascrizioni non è l’unico criterio da valutare. Contano anche la compatibilità con l’infrastruttura già in uso, i requisiti di riservatezza e i costi di gestione. Avere componenti aperti lascia più margine per sperimentare, mentre il collaudo su registrazioni reali resta indispensabile per capire quanto il sistema sia davvero affidabile.
La personalizzazione diventa cruciale in settori come quello medico, dove nomi di farmaci, abbreviazioni ed espressioni tecniche possono compromettere l’accuratezza del testo finale. Nel caso di studio presentato da NVIDIA l’addestramento specializzato ha ridotto del 45,8% il tasso relativo di errore sulle registrazioni di valutazione, con parlanti che non erano stati utilizzati durante la fase di training. Un risultato che mostra quanto pesino dati rappresentativi e convenzioni testuali definite con precisione, anche se non garantisce prestazioni equivalenti in qualsiasi ambiente clinico.
Fonte: TecnoAndroid