Nvidia släpper talmodell som kan få instruktioner om hur texten ska skrivas

Det här har hänt

Nvidia har släppt Nemotron 3.5 Transcribe, en talmodell med öppna modellvikter. Den presenterades den 28 oktober och kan enligt företagets forskningssida hantera 40 språk och inspelningar på upp till en timme. Lanseringen uppmärksammas också av TechCrunch.

Den centrala idén är att det inte alltid finns en enda rätt sorts transkribering. Ett protokoll kan behöva städat skriftspråk, medan en forskare vill behålla tvekljud och upprepningar. Nvidia låter utvecklaren ange önskad stil med en instruktion i vanligt språk för varje körning.

Modellen ska också kunna skilja talare åt och lämna tidsstämplar på ordnivå när det efterfrågas. Företaget beskriver dessutom stöd för översättning av tal och identifiering av språk. Det är funktioner i samma modellfamilj, inte ett besked om att en färdig konsumentapp automatiskt får dem.

Nvidia redovisar testresultat där modellen placerar sig högt bland modeller med öppna vikter. Resultaten kommer från tillverkarens egen presentation och behöver läsas tillsammans med vilka testmängder och mått som används. En ledande placering i ett test garanterar inte samma felgrad i varje ny inspelning.

Öppna vikter innebär att utvecklare får tillgång till den tränade modellen under den angivna licensen OpenMDW-1.1. Det är en annan sak än en kostnadsfri tjänst som sköter all drift. Beräkning, installation och den hårdvara som behövs återstår för den som vill köra modellen själv.

En praktisk skillnad mellan ordagrann och bearbetad text är vad som går förlorat när talet förenklas. För ett läsbart mötesreferat kan städning vara önskvärd, medan analys av ett exakt ordval kräver ett annat arbetssätt. Att välja rätt instruktion blir därför en del av kvalitetssäkringen.

Talaruppdelning och tidsmarkeringar kan underlätta kontroll mot ljudet. De ersätter däremot inte kontrollen: namn, överlappande röster och svår ljudmiljö kan fortfarande behöva granskas. Det är särskilt relevant när texten används som underlag för publicering eller beslut.

Artikeln återger de offentliggjorda funktionerna och gör inget eget jämförande test. Det nya beskedet är att modellvikterna och ett beskrivande forskningsunderlag nu finns tillgängliga. Vilken nytta tekniken ger beror på inspelningarna, instruktionerna och hur resultatet kontrolleras i den verkliga användningen.