
انویدیا مدل رونویسی صوتی باز منتشر کرد
انویدیا مدل رایگان تبدیل گفتار به متن با پشتیبانی از ۴۰ زبان منتشر کرد که فقط روی فایلهای ضبطشده کار میکند. این مدل برای ابزارهای رونویسی جلسات و حوزه پزشکی هدفگذاری شده و پردازش صوتی زنده را به رقبایی مانند ElevenLabs واگذار کرده است.
انویدیا (Nvidia) یک مدل باز و رایگان تبدیل گفتار به متن (speech-to-text) منتشر کرد که به گفته این شرکت توانایی رونویسی تا ۴۰ زبان را دارد. این مدل در تاریخ ۲۸ اکتبر ۲۰۲۶ معرفی شد و برخلاف بسیاری از سرویسهای تجاری همرده، برای استفاده عمومی و بدون هزینه عرضه شده است. محدودیت اصلی این مدل، عدم پشتیبانی از پردازش صوتی زنده (real-time) است؛ ورودی آن تنها فایلهای ضبطشده است و خروجی متن پس از پایان پردازش تولید میشود. به همین دلیل، کاربردهای بلادرنگ مانند دستیارهای مکالمهای همچنان در حوزه رقبایی مانند ElevenLabs باقی میماند که بر پردازش همزمان جریان صدا تمرکز دارند. بر اساس توضیحات منتشرشده، هدف اصلی این مدل ابزارهای رونویسی جلسات (meeting transcription) و مستندسازی پزشکی (medical transcription) است؛ حوزههایی که در آنها دقت متن نهایی و پشتیبانی از چند زبان اهمیت بیشتری از تأخیر پردازش دارد. انتشار باز این مدل میتواند هزینه توسعه چنین ابزارهایی را برای شرکتهای کوچکتر کاهش دهد. برای توسعهدهندگان ایرانی، این انتشار در دو سطح اهمیت دارد: نخست، امکان اجرای محلی (on-premise) مدل و پردازش صوت بدون ارسال داده به سرویسهای ابری خارجی، که برای پروژههای حساس به حریم خصوصی یا محدودشده به دلیل تحریمهای دسترسی به API مناسب است؛ دوم، امکان بررسی پوشش زبان فارسی در میان ۴۰ زبان اعلامشده پیش از تصمیمگیری برای جایگزینی سرویسهای تجاری. با این حال، توسعهدهندگان باید پیش از استفاده تجاری، شرایط مجوز (license) و دقت مدل روی دادههای فارسی محاورهای را بهطور مستقل ارزیابی کنند. انویدیا جزئیات دقیقی درباره معماری مدل، حجم داده آموزش یا معیارهای دقت منتشر نکرده و مقایسه عملکرد آن با مدلهای موجود نیازمند ارزیابی مستقل است. همچنین مشخص نیست پشتیبانی از پردازش زنده در نسخههای بعدی اضافه خواهد شد یا نه.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




