Ez az anyag egy új automatikus beszédfelismerő modell, a Nemotron 3.5 Transcribe 30B-A4B bemutatására fókuszál. A bemutató kitér arra, hogyan képes a rendszer helyben, internetkapcsolat nélkül is futni, támogatva akár 40 nyelvet és óránkénti hosszúságú felvételeket is. Megtudhatjuk, mennyire jól birkózik meg a valós életből vett, különféle minőségű, dialektusú és átlagostól eltérő hanganyagokkal, beleértve a több beszélő közötti párbeszédeket is.
Az összeállítás során szó esik a technikai követelményekről – például mekkora VRAM-ra van szükség egy ekkora mesterséges intelligencia modell futtatásához – és arról, hogy a rendszer hogyan képes minden szót, beszélőt és időbélyeget precízen azonosítani. További izgalmas kérdésekkel találkozhatunk: mennyire gyors a feldolgozás, milyen eredményeket ér el különböző nyelveken, illetve hogyan viszonyul a pontosság a gyengébb minőségű vagy háttérzajos hanganyagokhoz?
Emellett rövid betekintést kapunk a program szerkezetébe, a hardveres háttérigényekbe, és a konvertálást segítő kiegészítő alkalmazásokba, például a Gradio felületébe. A bemutatott statisztikák és technikai részletek alapján felmerül a kérdés, mennyire alkalmazható mindez valós, üzleti környezetben vagy akár más, speciális célokra.
