آبان
اخبار
مدل متن‌باز Nemotron 3.5 Transcribe انویدیا؛ رونویسی و ترجمه‌ی گفتار در ۴۰ زبان
شرکت انویدیا مدل متن‌باز Nemotron 3.5 Transcribe را برای تبدیل گفتار به متن در ۴۰ زبان منتشر کرد؛ مدلی که علاوه بر رونویسی، ترجمه می‌کند، گوینده‌ها را از هم جدا می‌کند و درباره‌ی محتوای فایل صوتی به پرسش‌ها هم جواب می‌دهد.
لیست مطالب
۱. ماجرا چیست؟ خلاصه‌ی خبر
شرکت انویدیا روز چهارشنبه ۲۸ اکتبر ۲۰۲۶ از مدل تازه‌ای به نام Nemotron 3.5 Transcribe رونمایی کرد. این مدل برای تبدیل فایل‌های صوتی به متن ساخته شده و وزن‌های آن به‌صورت باز در دسترس همه قرار گرفته است. یعنی هر توسعه‌دهنده یا شرکتی می‌تواند آن را دانلود کند، روی سرور یا دستگاه خودش اجرا کند و حتی برای نیاز خاص خودش آموزش بیشتر بدهد.
نکته‌ی جالب این است که کار مدل فقط رونویسی ساده نیست. انویدیا می‌گوید همین مدل می‌تواند صحبت‌ها را ترجمه کند، مشخص کند هر جمله را کدام گوینده گفته و حتی درباره‌ی محتوای ضبط‌شده سؤال جواب بدهد. به بیان ساده، یک مدل واحد چند کار را انجام می‌دهد که قبلاً معمولاً به چند ابزار جداگانه نیاز داشت.
اگر تازه با دنیای مدل‌های هوش مصنوعی آشنا شده‌اید، پیشنهاد می‌کنیم پیش از ادامه سری به آرشیو اخبار هوش مصنوعی مستر چت‌جی‌پی‌تی بزنید تا تصویر کلی‌تری از روند این روزهای بازار داشته باشید.
۲. مشخصات فنی مدل
بر اساس اطلاعات منتشرشده، Nemotron 3.5 Transcribe یک مدل از نوع «ترکیب خبرگان» (Mixture of Experts) است. نام مدل روی Hugging Face عدد ۳۰B-A4B را در خود دارد؛ یعنی حدود ۳۰ میلیارد پارامتر در مجموع و حدود ۴ میلیارد پارامتر فعال در هر مرحله. بعضی رسانه‌ها عدد ۳۴ میلیارد را نوشته‌اند، بنابراین برای دقت نهایی بهتر است به مدل‌کارت رسمی مراجعه کنید.
مزیت این معماری روشن است. چون در هر لحظه فقط بخش کوچکی از پارامترها کار می‌کند، مدل با وجود اندازه‌ی بزرگ، سریع و کم‌هزینه اجرا می‌شود. همین موضوع باعث شده انویدیا بگوید مدل روی یک تراشه‌ی واحد این شرکت اجرا می‌شود؛ از بردهای کوچک خانواده‌ی Jetson مثل Jetson AGX Thor و DGX Spark گرفته تا پردازنده‌های گرافیکی مراکز داده‌ی نسل Blackwell.
مدل برای فایل‌های ضبط‌شده طراحی شده، نه رونویسی زنده. فایل‌هایی با طول تا حدود یک ساعت را پردازش می‌کند و تا هشت گوینده را از هم تفکیک می‌کند. بنابراین سناریوهایی مثل جلسه‌ی کاری، پادکست، مصاحبه، کلاس درس و تماس‌های پشتیبانی هدف اصلی آن هستند.
۳. چه زبان‌هایی پشتیبانی می‌شوند؟
این مدل گفتار را در ۴۰ زبان رونویسی می‌کند و برای ۳۱ زبان، ترجمه به انگلیسی و از انگلیسی را هم ارائه می‌دهد. چنین پوششی برای یک مدل متن‌باز قابل‌توجه است، چون بخش بزرگی از ابزارهای رایگان رونویسی هنوز روی انگلیسی و چند زبان پرکاربرد متمرکزند.
برای کاربران فارسی‌زبان باید محتاط بود. در اطلاعاتی که تا این لحظه منتشر شده، فهرست دقیق زبان‌ها در منابع خبری ذکر نشده و ما نمی‌توانیم ادعا کنیم زبان فارسی در میان آن‌ها هست یا کیفیتش چقدر است. تنها راه مطمئن، آزمایش مستقیم مدل روی چند فایل صوتی فارسی و مطالعه‌ی مدل‌کارت است.
۴. دقت مدل؛ رتبه‌ی اول میان مدل‌های باز
طبق گزارش‌ها، Nemotron 3.5 Transcribe در جدول رده‌بندی تشخیص گفتار انگلیسی در Hugging Face میان مدل‌های باز در جایگاه اول قرار گرفته و میانگین نرخ خطای واژه‌ی آن حدود ۵٫۳۳ درصد است. نرخ خطای واژه (WER) یعنی از هر صد کلمه‌ای که گوینده می‌گوید، چند کلمه اشتباه یا جا‌افتاده نوشته می‌شود؛ هرچه عدد کمتر باشد، بهتر است.
البته هر رتبه‌بندی محدودیت‌هایی دارد. این جدول روی انگلیسی سنجیده شده و عملکرد مدل روی صدای پرنویز، لهجه‌های غیرمعمول یا اصطلاحات تخصصی ممکن است متفاوت باشد. به همین دلیل انویدیا روی قابلیت شخصی‌سازی هم تأکید کرده است.
۵. دستور متنی به‌جای تنظیمات پیچیده
یکی از ویژگی‌های کاربردی مدل، هدایت خروجی با دستور ساده‌ی متنی است. توسعه‌دهنده می‌تواند بنویسد که رونوشت «تمیز» باشد یا «کلمه‌به‌کلمه» و حتی اصطلاحات پزشکی یا نام محصولات را از قبل به مدل بدهد تا آن‌ها را درست بنویسد. این همان منطقی است که از کار با چت‌بات‌ها آشنا هستیم؛ اگر می‌خواهید در نوشتن دستور مهارت بگیرید، مقاله‌ی آموزش نوشتن پرامپت برای مبتدی‌ها نقطه‌ی شروع خوبی است.
قابلیت پرسش و پاسخ روی فایل صوتی هم کاربرد زیادی دارد. فرض کنید ضبط یک جلسه‌ی یک‌ساعته دارید. به‌جای خواندن کل متن می‌توانید بپرسید چه تصمیم‌هایی گرفته شد یا چه کسی مسئول کدام کار شد. البته مثل هر مدل هوش مصنوعی دیگر، پاسخ‌ها را در کارهای مهم باید با متن اصلی مقایسه کرد.
۶. Granary v2؛ دیتاستی که همراه مدل آمد
انویدیا همراه مدل، نسخه‌ی دوم دیتاست باز Granary را هم عرضه کرده است. این مجموعه شامل ۴۶۳٬۰۶۲ ساعت گفتار در ۴۸ زبان است و نسبت به نسخه‌ی اول که ۲۵ زبان داشت، تقریباً دو برابر شده است.
یک نکته‌ی حقوقی مهم دارد: توسعه‌دهندگان فایل‌های صوتی را از منبع اصلی هر مجموعه دانلود می‌کنند و استفاده از آن‌ها تابع مجوز همان منبع است. یعنی Granary بیشتر شبیه یک «فهرست و برچسب‌گذاری» سازمان‌یافته است تا یک بسته‌ی یکجای صوتی با مجوز واحد. پیش از استفاده‌ی تجاری، مجوز هر بخش را بررسی کنید.
۷. مثال پزشکی؛ وقتی شخصی‌سازی جواب می‌دهد
انویدیا برای نشان‌دادن ارزش دیتاست و مدل، یک نمونه‌ی پزشکی ارائه کرده است. با آموزش مدل روی گفتار پزشکان هندی، خطاها روی کلیپ‌های آزمایشی کنار گذاشته‌شده حدود ۴۵٫۸ درصد کاهش یافته و این آموزش تقریباً ۱۴ ساعت روی یک پردازنده‌ی گرافیکی طول کشیده است.
این عدد پیام مهمی دارد. مدل عمومی برای شروع خوب است، اما اگر کار شما با اصطلاحات تخصصی سروکار دارد، مثل پزشکی، حقوقی یا فنی، با آموزش سبک و ارزان می‌توان دقت را به‌شکل محسوسی بالا برد. چون وزن‌ها باز هستند، این کار بدون وابستگی به یک سرویس ابری انجام‌پذیر است.
۸. چرا این خبر اهمیت دارد؟
در سال‌های اخیر بیشتر رقابت هوش مصنوعی روی مدل‌های متنی و تصویری بوده، اما گفتار بخش بزرگی از داده‌های واقعی دنیاست. جلسه‌ها، تماس‌ها، آموزش‌ها و محتوای ویدیویی همه صوتی‌اند. وجود یک مدل باز و قوی در این حوزه یعنی شرکت‌های کوچک و استارتاپ‌ها هم می‌توانند ابزار رونویسی و خلاصه‌سازی را روی زیرساخت خودشان بسازند.
جنبه‌ی دیگر، حریم خصوصی است. وقتی مدل روی دستگاه یا سرور داخلی اجرا شود، فایل‌های حساس مثل ضبط جلسات یا مکالمات بیمار و پزشک مجبور نیست از شبکه‌ی سازمان خارج شود. برای کسب‌وکارها این موضوع اغلب مهم‌تر از چند درصد دقت بیشتر است. درباره‌ی نقش هوش مصنوعی در تصمیم‌های کسب‌وکار می‌توانید اهمیت هوش مصنوعی در کسب‌وکار را بخوانید.
از نگاه رقابتی هم این حرکت قابل‌توجه است. انویدیا بیش از آنکه فقط فروشنده‌ی سخت‌افزار باشد، حالا مدل و داده را هم به‌صورت باز عرضه می‌کند؛ راهبردی که استفاده از تراشه‌های خودش را برای توسعه‌دهندگان جذاب‌تر می‌کند. اگر به شناخت بازیگران بزرگ این حوزه علاقه دارید، مقاله‌ی OpenAI چیست؟ را ببینید.
۹. محدودیت‌ها و نکاتی که باید بدانید
نخست اینکه مدل برای فایل‌های ضبط‌شده است و رونویسی زنده‌ی لحظه‌ای را هدف نگرفته. دوم اینکه رتبه‌ی اول در جدول انگلیسی لزوماً به معنای بهترین بودن در هر زبان و هر شرایط صوتی نیست. سوم اینکه اجرای مدلی با این اندازه، هرچند سبک‌تر از مدل‌های هم‌اندازه، همچنان به سخت‌افزار مناسب نیاز دارد.
در نهایت، هوش مصنوعی هرچقدر پیشرفته شود، محدودیت‌های واقعی دارد و نباید خروجی‌اش را بی‌چون‌وچرا پذیرفت. برای نگاه متعادل به این موضوع، مطلب پتانسیل و محدودیت‌های هوش مصنوعی در دنیای واقعی را پیشنهاد می‌کنیم.
۱۰. چطور شروع کنیم؟
مسیر پیشنهادی ساده است. اول مدل‌کارت رسمی را روی Hugging Face بخوانید و فهرست زبان‌ها و مجوز را ببینید. بعد چند فایل نمونه‌ی کوتاه از کار خودتان انتخاب کنید و خروجی مدل را با رونوشت انسانی مقایسه کنید. اگر نتیجه امیدوارکننده بود، با داده‌ی تخصصی خودتان آموزش سبک بدهید و کیفیت را دوباره بسنجید.
برای کارهای روزمره‌ای مثل خلاصه‌کردن متن رونویسی‌شده یا استخراج نکات جلسه، می‌توانید خروجی مدل را به یک دستیار گفتگو بدهید. آموزش‌های کاربردی این کار را در بخش آموزش‌های ChatGPT دنبال کنید.
۱۱. پرسش‌های متداول (FAQ)
Nemotron 3.5 Transcribe چیست؟
مدلی متن‌باز از انویدیا برای تبدیل گفتار ضبط‌شده به متن، ترجمه، تشخیص گوینده و پرسش و پاسخ درباره‌ی محتوای صوتی.
چند زبان را پشتیبانی می‌کند؟
رونویسی در ۴۰ زبان و ترجمه برای ۳۱ زبان به انگلیسی و از انگلیسی. برای وجود زبان فارسی باید مدل‌کارت رسمی را بررسی کنید.
آیا استفاده‌ی تجاری مجاز است؟
بر اساس گزارش‌ها، مجوز مدل استفاده‌ی تجاری را اجازه می‌دهد، ولی متن دقیق مجوز را قبل از استفاده بخوانید.
آیا برای رونویسی زنده مناسب است؟
خیر. مدل برای فایل‌های ضبط‌شده طراحی شده است.
Granary v2 چیست؟
دیتاست باز گفتار با ۴۶۳٬۰۶۲ ساعت صدا در ۴۸ زبان که فایل‌های آن از منابع اصلی و با مجوز همان منابع دانلود می‌شود.
۱۲. جمع‌بندی
انتشار Nemotron 3.5 Transcribe نشان می‌دهد رقابت هوش مصنوعی فقط روی چت‌بات‌ها نیست. مدلی که چهل زبان را می‌فهمد، گوینده‌ها را جدا می‌کند و روی یک تراشه اجرا می‌شود، ابزار ساخت دستیارهای صوتی و سیستم‌های مستندسازی را برای همه ارزان‌تر می‌کند. برای نقد و مقایسه‌ی مدل‌ها در مسیرهای دیگر، مطلب مقایسه‌ی ChatGPT و DeepSeek هم خواندنی است.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
