Els models que converteixen la veu en text són la base de moltes aplicacions d'IA que ja fan servir empreses i hospitals: les que prenen notes de les reunions, les que transcriuen les visites mèdiques o les dels centres d'atenció telefònica. Nvidia, que sobretot ven els xips on funcionen aquests models, també en publica de propis amb els pesos oberts, és a dir, perquè qualsevol els pugui baixar i fer funcionar als seus ordinadors.
Aquest dimecres ha presentat Nemotron 3.5 Transcribe, un model de 30.000 milions de paràmetres que, segons l'empresa, transcriu àudio en fins a 40 llengües i tradueix 31 llengües cap a l'anglès i des de l'anglès. Pot treballar amb gravacions de fins a una hora, distingeix fins a vuit persones que parlen i funciona en un sol xip, des dels equips petits Jetson i DGX Spark fins als dels centres de dades. Nvidia diu que supera els rivals en diverses proves, entre les quals la classificació oberta de reconeixement de veu de Hugging Face, però TechCrunch no en dona les puntuacions. Juntament amb el model, ha publicat la segona versió de Granary, un conjunt de dades de veu obert perquè els desenvolupadors l'adaptin al vocabulari del seu sector.
El llançament arriba en un moment en què la veu és un dels camps més disputats de la IA: fa pocs dies Mistral va presentar models de veu en més de 50 llengües. Per al lector d'aquí, el detall rellevant és un altre: a la fitxa del model a Hugging Face hi ha les etiquetes de les 40 llengües, que inclouen el castellà, el francès, l'italià, el maltès o el letó, però no el català. Qui vulgui transcriure català amb aquesta eina haurà d'adaptar-la amb dades pròpies, una feina que projectes com Aina ja fan amb altres models.
El model només treballa amb àudio gravat, no amb emissions en directe. Es distribueix amb una llicència pròpia d'Nvidia, no amb una de les llicències habituals de codi obert, i els resultats de les proves són els que dona l'empresa: caldrà veure com es comporta en avaluacions independents i en condicions reals, amb soroll de fons o accents.