Nvidia poursuit son offensive dans les modèles d’intelligence artificielle ouverts avec Nemotron 3.5 Transcribe, une nouvelle IA spécialisée dans la compréhension et la transcription audio. Le modèle prend en charge 40 langues et peut traiter des enregistrements allant jusqu’à une heure, tout en distinguant plusieurs interlocuteurs.
Transcription, traduction et identification des locuteurs
Nemotron 3.5 Transcribe ne se limite pas à convertir la parole en texte. Il peut produire une transcription contextualisée, identifier la langue utilisée, attribuer les interventions aux différents participants et générer des horodatages. La traduction entre l’anglais et de nombreuses langues est également prise en charge.
Cette technologie vise notamment les comptes rendus de réunions, centres d’appels, médias ou applications médicales. Les développeurs peuvent fournir du vocabulaire spécialisé afin d’améliorer la reconnaissance de termes propres à un métier ou un secteur.
Nvidia revendique des résultats de premier plan sur plusieurs benchmarks publics de reconnaissance vocale, notamment pour les contenus longs et multilingues. Le modèle rejoint la famille Nemotron 3.5 récemment dévoilée, destinée aussi bien aux data centers qu’aux agents IA locaux.
Une IA ouverte qui peut fonctionner sans cloud
Le modèle possède environ 34 milliards de paramètres, mais son architecture Mixture-of-Experts n’en active qu’environ 4,3 milliards pendant l’inférence. Nvidia indique qu’il peut fonctionner sur un seul GPU haut de gamme, permettant aux entreprises de conserver leurs enregistrements sur leurs propres infrastructures plutôt que de les envoyer vers un service distant.
Cette stratégie accompagne également l’arrivée des machines RTX Spark, conçues pour exécuter davantage d’IA localement. Nemotron 3.5 Transcribe reste toutefois destiné aux fichiers enregistrés et non à la transcription en direct.
Nvidia publie parallèlement Granary v2, une nouvelle version de son jeu de données vocal ouvert destiné à l’entraînement et à la personnalisation des modèles. Face à Mistral et sa gamme Voxtral ou ElevenLabs, le géant des GPU veut désormais devenir aussi devenir un incontournable dans le logiciel vocal. L’appétit vient en mangeant dit-on…
