Η NVIDIA παρουσίασε το Nemotron 3.5 Transcribe, ένα νέο μοντέλο τεχνητής νοημοσύνης που μπορεί να μετατρέπει ηχογραφήσεις σε κείμενο, να μεταφράζει ομιλία και να αναλύει το περιεχόμενο συνομιλιών σε 40 γλώσσες, συμπεριλαμβανομένων των ελληνικών. Το νέο open-weight μοντέλο, που κυκλοφόρησε στις 28 Οκτωβρίου 2026, επιτρέπει επίσης την αναγνώριση διαφορετικών ομιλητών και την υποβολή ερωτήσεων σχετικά με όσα ακούγονται σε μια ηχογράφηση, συγκεντρώνοντας δυνατότητες που συνήθως απαιτούν περισσότερα από ένα εργαλεία AI.
Το NVIDIA Nemotron 3.5 Transcribe απευθύνεται κυρίως σε προγραμματιστές, επιχειρήσεις, δημοσιογράφους και δημιουργούς περιεχομένου που επεξεργάζονται μεγάλο όγκο ηχητικού υλικού. Η NVIDIA διαθέτει δημόσια τα βάρη του μοντέλου μέσω του Hugging Face, επιτρέποντας την ανάπτυξη εφαρμογών απομαγνητοφώνησης που μπορούν να λειτουργούν σε κατάλληλα τοπικά συστήματα, χωρίς να απαιτείται υποχρεωτικά η μεταφορά ευαίσθητων ηχογραφήσεων σε εξωτερικούς servers.
Απομαγνητοφώνηση, μετάφραση και ανάλυση με ένα μοντέλο
Η σημαντικότερη δυνατότητα του NVIDIA Nemotron 3.5 Transcribe είναι ότι συνδυάζει την αυτόματη αναγνώριση ομιλίας με λειτουργίες κατανόησης ηχητικού περιεχομένου.
Ο χρήστης μπορεί να ζητήσει την πλήρη απομαγνητοφώνηση μιας συνέντευξης, τη μετάφραση μιας συνομιλίας στα αγγλικά ή τον εντοπισμό συγκεκριμένων πληροφοριών μέσα σε μια ηχογράφηση. Για παράδειγμα, το μοντέλο μπορεί να απαντήσει σε ερωτήσεις σχετικά με τις αποφάσεις που ελήφθησαν σε μια επαγγελματική συνάντηση.
Η λειτουργία του βασίζεται σε οδηγίες φυσικής γλώσσας, επιτρέποντας διαφορετικούς τύπους απομαγνητοφώνησης. Μπορεί να διατηρήσει τις ακριβείς λέξεις και τους δισταγμούς του ομιλητή ή να δημιουργήσει πιο καθαρό κείμενο με κατάλληλη μορφοποίηση.
Υποστηρίζει επίσης ηχογραφήσεις διάρκειας έως μίας ώρας, με δυνατότητα παραγωγής χρονικών σημάνσεων για μεμονωμένες λέξεις.
Αναγνώριση ομιλητών σε συνεντεύξεις και συναντήσεις
Ένα ιδιαίτερα ενδιαφέρον χαρακτηριστικό είναι η δυνατότητα speaker diarization, δηλαδή ο διαχωρισμός των διαφορετικών φωνών που συμμετέχουν σε μια συνομιλία.
Το Nemotron 3.5 Transcribe μπορεί να αποδώσει τμήματα του κειμένου σε διαφορετικούς ομιλητές, ακόμη και όταν υπάρχουν επικαλύψεις στην ομιλία τους. Η δυνατότητα αυτή είναι ιδιαίτερα χρήσιμη σε συνεντεύξεις, συσκέψεις και ηχογραφήσεις με πολλούς συμμετέχοντες.
Η υποστήριξη αναγνώρισης πολλών ομιλητών δεν είναι διαθέσιμη σε όλες τις 40 γλώσσες. Πρόκειται επίσης για διαχωρισμό φωνών και όχι για ταυτοποίηση της πραγματικής ταυτότητας των προσώπων.
Υποστηρίζει ελληνικά, αλλά με περιορισμούς στην ακρίβεια
Το NVIDIA Nemotron 3.5 Transcribe υποστηρίζει απομαγνητοφώνηση σε 40 γλώσσες και μετάφραση μεταξύ αγγλικών και 31 άλλων γλωσσών.
Στη λίστα περιλαμβάνονται τα ελληνικά, με δυνατότητες αναγνώρισης ομιλίας, μετάφρασης προς και από τα αγγλικά και επεξεργασίας ηχογραφήσεων στις οποίες χρησιμοποιούνται περισσότερες γλώσσες.
Ωστόσο, η NVIDIA κατατάσσει τα ελληνικά στην κατηγορία Supported και όχι στην κατηγορία Production-ready. Στη δοκιμή FLEURS, το μοντέλο κατέγραψε ποσοστό Word Error Rate 26,93%, γεγονός που υποδηλώνει ότι οι ελληνικές απομαγνητοφωνήσεις ενδέχεται να απαιτούν ουσιαστική ανθρώπινη επιμέλεια.
Επιπλέον, η αυτόματη διάκριση πολλών ομιλητών δεν περιλαμβάνεται στις δηλωμένες δυνατότητες για τα ελληνικά.
Αρχιτεκτονική 34 δισ. παραμέτρων και τοπική λειτουργία
Το Nemotron 3.5 Transcribe βασίζεται σε υβριδική αρχιτεκτονική Mamba-Transformer και τεχνολογία Mixture of Experts.
Παρότι το μοντέλο περιλαμβάνει συνολικά περίπου 34 δισ. παραμέτρους, ενεργοποιεί περίπου 4,3 δισ. κατά την επεξεργασία, περιορίζοντας τις υπολογιστικές απαιτήσεις σε σχέση με μοντέλα που χρησιμοποιούν το σύνολο των παραμέτρων τους.
Η NVIDIA έχει διαθέσει εκδόσεις BF16, FP8 και NVFP4, με στόχο την αξιοποίηση διαφορετικών κατηγοριών επιταχυντών AI. Η τοπική εκτέλεση απαιτεί κατάλληλο hardware και λογισμικό και δεν σημαίνει ότι το μοντέλο μπορεί να λειτουργήσει απευθείας σε οποιονδήποτε υπολογιστή.
Η αρχιτεκτονική υποστηρίζει επίσης προσαρμογή σε εξειδικευμένα λεξιλόγια, κάτι που μπορεί να βελτιώσει την αναγνώριση ονομάτων, τεχνικών όρων και επαγγελματικής ορολογίας.
Υψηλές επιδόσεις στις δοκιμές αναγνώρισης ομιλίας
Σύμφωνα με τις μετρήσεις που δημοσίευσε η NVIDIA, το Nemotron 3.5 Transcribe πέτυχε μέσο Word Error Rate 4,71% σε εννέα δημόσια σύνολα δοκιμών του αγγλικού Open ASR Leaderboard.
Στο αντίστοιχο πολύγλωσσο benchmark επτά γλωσσών κατέγραψε 4,62%, επιδόσεις που το κατατάσσουν στην κορυφή μεταξύ των open-weight μοντέλων στις συγκεκριμένες αξιολογήσεις.
Οι αριθμοί αυτοί δεν αποτελούν καθολική μέτρηση ακρίβειας για όλες τις γλώσσες ή για κάθε είδους ηχογράφηση. Ο θόρυβος, οι προφορές και η ποιότητα της εγγραφής εξακολουθούν να επηρεάζουν σημαντικά το αποτέλεσμα.
Διαθεσιμότητα και εφαρμογές για επαγγελματίες
Το NVIDIA Nemotron 3.5 Transcribe διατίθεται στο Hugging Face με άδεια OpenMDW-1.1, η οποία επιτρέπει εμπορική και μη εμπορική αξιοποίηση υπό συγκεκριμένους όρους.
Για δημοσιογράφους, το μοντέλο μπορεί να αποτελέσει τη βάση εφαρμογών που οργανώνουν συνεντεύξεις, αναζητούν πληροφορίες σε ηχητικά αρχεία και επιταχύνουν τη μετατροπή ομιλίας σε επεξεργάσιμο κείμενο. Αντίστοιχες εφαρμογές μπορούν να αναπτυχθούν σε εταιρικές συσκέψεις, εξυπηρέτηση πελατών και επαγγελματική τεκμηρίωση.
Η δυνατότητα επεξεργασίας του ήχου σε τοπική υποδομή προσφέρει επίσης μεγαλύτερο έλεγχο στη διαχείριση δεδομένων, ιδιαίτερα όταν πρόκειται για εμπιστευτικές συνομιλίες.
Το Nemotron 3.5 Transcribe δεν αποτελεί έτοιμη εφαρμογή απομαγνητοφώνησης για τον μέσο χρήστη, αλλά ένα ισχυρό τεχνολογικό εργαλείο πάνω στο οποίο μπορούν να δημιουργηθούν εξειδικευμένες υπηρεσίες επεξεργασίας ομιλίας.
