รองรับ 40 ภาษา! Nvidia เปิดตัวโมเดล AI ถอดเทป เทรนศัพท์เฉพาะทางได้

 

Nvidia ประกาศเปิดตัว ‘Nemotron 3.5 Transcribe’ โมเดล AI สำหรับถอดเสียงพูดเป็นข้อความ (Transcription) แบบ Open-weight ที่เปิดให้นักพัฒนานำไปใช้งานได้ฟรี โดยมีความสามารถในการถอดเสียงได้มากถึง 40 ภาษา 

 

พร้อมกันนี้ยังได้ปล่อย ‘Granary เวอร์ชัน 2’ ซึ่งเป็นคลังข้อมูลเสียงพูด (Speech Dataset) แบบโอเพนซอร์สออกมาควบคู่กันอีกด้วย

 

Nvidia ระบุว่า โมเดล Nemotron 3.5 Transcribe มีขีดความสามารถในการแปลภาษาต่างๆ เป็นภาษาอังกฤษ และแปลจากภาษาอังกฤษกลับเป็นภาษาอื่นได้ถึง 31 ภาษา 

 

รองรับการประมวลผลไฟล์เสียงที่มีความยาวต่อเนื่องสูงสุด 1 ชั่วโมง และสามารถแยกแยะเสียงของผู้พูดที่แตกต่างกันในการสนทนาได้สูงสุดถึง 8 คน 

 

นอกจากนี้ บริษัทยังเปิดเผยว่าโมเดลรุ่นใหม่นี้สามารถทำคะแนนทดสอบด้านความแม่นยำเอาชนะคู่แข่งหลายรายบนตารางวัดผลมาตรฐาน

 

ซึ่งรวมถึงการจัดอันดับบน Open ASR Leaderboard ของแพลตฟอร์ม Hugging Face

 

เครื่องมือชุดใหม่นี้ถูกพัฒนาขึ้นเพื่อเจาะกลุ่มนักพัฒนาซอฟต์แวร์ที่ต้องการสร้างแอปพลิเคชันสำหรับการถอดความในที่ประชุมทางธุรกิจ และการบันทึกข้อมูลทางการแพทย์

 

ซึ่งถือเป็น 2 สายงานหลักที่มีการนำ AI เข้าไปใช้งานจริงในระดับองค์กรอย่างแพร่หลายและมั่นคงที่สุดในปัจจุบัน

 

ทาง Nvidia เสริมว่า นักพัฒนาสามารถนำโมเดลดังกล่าวไปผสานการทำงานร่วมกับชุดข้อมูล Granary เวอร์ชันอัปเดต และเครื่องมืออย่างโมเดล NeMo Speech เพื่อปรับแต่งให้แอปพลิเคชันสามารถจดจำคำศัพท์เทคนิคหรือศัพท์เฉพาะทางของแต่ละอุตสาหกรรมในแต่ละภาษาได้อย่างแม่นยำ 

 

อย่างไรก็ตาม โมเดลรุ่นนี้ยังมีข้อจำกัดอยู่หนึ่งประการ คือสามารถประมวลผลได้เฉพาะกับไฟล์เสียงที่บันทึกไว้ล่วงหน้าเท่านั้น ยังไม่รองรับการถอดเสียงแบบเรียลไทม์หรือการสตรีมสด (Livestream)

 

ในแง่ของประสิทธิภาพและการใช้ทรัพยากร แม้ว่า Nemotron 3.5 Transcribe จะมีขนาดใหญ่ถึง 3 หมื่นล้านพารามิเตอร์ แต่ Nvidia ยืนยันว่าตัวโมเดลถูกออกแบบมาให้สามารถประมวลผลจบได้ด้วยชิปเพียงตัวเดียว 

 

ครอบคลุมตั้งแต่ชิปควบคุมหุ่นยนต์อย่าง Jetson AGX Thor, ชิป DGX Spark ที่ใช้ขับเคลื่อนแล็ปท็อปรุ่นใหม่ๆ ไปจนถึงชิประดับดาต้าเซ็นเตอร์อย่าง Blackwell

 

โดยโมเดลใหม่นี้จะเข้ามาเสริมทัพกลุ่มโมเดลเสียงแบบ Open-weight ของ Nvidia ที่มีอยู่เดิม ซึ่งรวมถึงโมเดลขนาดเล็กกะทัดรัดแต่ทรงพลังอย่าง Parakeet ที่มีขนาด 1.1 พันล้านพารามิเตอร์

 

การขยับตัวรุกตลาด Voice AI ครั้งล่าสุดของ Nvidia เกิดขึ้นในช่วงที่อุตสาหกรรมกำลังแข่งขันกันอย่างดุเดือดและมีการเปิดตัวโมเดลเสียงรุ่นใหม่ๆ ออกมาอย่างไม่ขาดสาย

 

ไม่ว่าจะเป็นค่าย Mistral ที่เพิ่งปล่อยโมเดล Voxtral 3 ออกมาเมื่อต้นเดือนที่ผ่านมา, ElevenLabs ที่เปิดตัวฟีเจอร์ Realtime สำหรับการโต้ตอบด้วยเสียงแบบทันทีทันใดในระบบตัวแทนอัจฉริยะ (Voice Agents)

 

รวมถึงยักษ์ใหญ่ด้านซอฟต์แวร์องค์กรอย่าง Salesforce ที่เพิ่งส่งโมเดลเสียงของตัวเองในชื่อ Launa-Omni ลงสู้ศึกในตลาดนี้เช่นกัน