Nvidia ha puesto a disposición de los usuarios Nemotron 3.5 Transcribe, un modelo gratuito y de código abierto diseñado para convertir grabaciones de audio en texto en hasta 40 idiomas. La herramienta puede trabajar con archivos de hasta una hora y distinguir las intervenciones de un máximo de ocho hablantes.
Una solución para reuniones y transcripciones especializadas
La compañía tecnológica plantea este sistema como una vía para facilitar la transformación de conversaciones de voz en documentos escritos dentro de empresas y entornos profesionales. El modelo está orientado, en particular, a que los desarrolladores elaboren aplicaciones para reuniones de negocio y transcripción médica.
Entre sus características, Nemotron 3.5 Transcribe puede ejecutarse en un único chip y ajustarse a la terminología técnica de distintos ámbitos laborales. No obstante, cuenta con una limitación: únicamente procesa audios grabados previamente, por lo que no permite transcribir contenidos emitidos en directo.
Transcripciones configurables según el contexto
Nvidia sostiene que una misma grabación puede requerir resultados diferentes según la persona que consulte el texto y el objetivo de la transcripción. «No existe una única transcripción correcta de una grabación, lo que se considera correcto depende de quién la lea y con qué propósito», señala la empresa en un comunicado.
Para abordar esta necesidad, la multinacional ha desarrollado un modelo de lenguaje aumentado por voz, conocido como SALM por sus siglas en inglés. Este sistema pretende ofrecer una «transcripción inteligente» capaz de mantener o suprimir muletillas de acuerdo con las indicaciones recibidas.
Dirigido a desarrolladores e investigadores
Hugging Face, actualmente propiedad de Nvidia, describe Nemotron 3.5 Transcribe como un modelo de voz y audio sin conexión, de código abierto, compatible con la transcripción en 40 idiomas y con grabaciones de hasta una hora. Sus creadores identifican como usuarios previstos a «desarrolladores e investigadores que crean interfaces de voz, herramientas de transcripción y traducción, procesamiento de reuniones y análisis de atención al cliente».
Resultados de precisión frente a otros sistemas
Según los resultados del Open ASR Leaderboard, el modelo obtiene los «mejores resultados de código abierto» entre sus competidores. El sistema registra un 4,71 % de error en palabras en inglés y un 4,62 % en pruebas multilingües.
Además, cuando se proporcionan listas con términos concretos o nombres propios, Nemotron 3.5 Transcribe consigue reducir seis veces los errores en entidades nombradas frente a las transcripciones tradicionales.
Deja una respuesta