MetaPatchAI home
الذكاء الاصطناعي

NVIDIA Nemotron 3.5 Transcribe: نموذج كلام مفتوح يفرّغ 40 لغة ويحدد من قال ماذا

المصدر: NVIDIA

جمعه MetaPatchAI · نُشر ، 5:05 ص ET

NVIDIA Nemotron 3.5 Transcribe: An Open Speech Model That Transcribes 40 Languages and Labels Who Said What

30 أكتوبر 2026: أطلقت NVIDIA يوم الأربعاء 28 أكتوبر نموذج Nemotron 3.5 Transcribe، وهو نموذج كلام مفتوح الأوزان يجمع التفريغ النصي وتسمية المتحدثين والترجمة والإجابة عن الأسئلة الصوتية في نقطة حفظ واحدة. وهو متاح على Hugging Face وModelScope، إلى جانب مسار بيانات مفتوح باسم Granary v2.

ماذا يفعل

بحسب إعلان NVIDIA على مدونة Hugging Face، فإن Nemotron 3.5 Transcribe:

  • يفرّغ 40 لغة, ويترجم 31 منها من الإنجليزية أو إليها، و يحدد المتحدثين في 13.
  • يقبل أوامر بلغة طبيعية، فيمكن لتسجيل واحد أن ينتج مخرجات مختلفة: "فرّغ وسمِّ كل متحدث"، أو ترجمة، أو نصًا مفرغًا يكتب المصطلحات المتخصصة بشكل صحيح عندما تذكرها في الأمر.
  • يدعم طوابع زمنية على مستوى الكلمة.
  • مصمم من أجل الصوت المسجل، لا البث المباشر.

تقول NVIDIA إنه يمكن تشغيله عبر vLLM اليوم، مع نسخ مكمّمة ونشر محلي عبر NeMo-Speech.cpp.

الأرقام التي تعلنها NVIDIA

هذه أرقام NVIDIA نفسها من منشورها:

  • Hugging Face Open ASR Leaderboard (الإنجليزية): الأول بين النماذج مفتوحة الأوزان بمتوسط معدل خطأ كلمات (WER) قدره 5.33%. متعدد اللغات: متوسط WER قدره 4.62% عبر سبع لغات. التسجيلات الطويلة: 10.98%.
  • Artificial Analysis: في المركز الأول مناصفة بين النماذج مفتوحة الأوزان بنسبة AA-WER قدرها 2.8%، بنحو 4B من المعاملات النشطة مقابل 24B للنموذج الذي يتعادل معه.
  • تحديد المتحدثين: معدل خطأ في تمييز المتحدثين قدره 18.26% عبر 21 لغة على لوحة David AI، وهو الأدنى بين 14 نظامًا خضعت للاختبار، و32.4% cpWER على اختبار VoiceArena الإنجليزي الذي يضم 14 نظامًا.
  • السرعة: 100 ساعة من الصوت في أقل من ثلاث دقائق على بطاقة RTX PRO 6000 Blackwell Server Edition واحدة، باستخدام نسخة NVFP4 مكمّمة ستصدر لاحقًا، مقيسة على مقاطع مدتها 30 ثانية مع تزامن عالٍ.

ماذا يعني ذلك لصناع المحتوى واللاعبين

بالنسبة لأصحاب البث وصناع محتوى YouTube ومديري المجتمعات، فإن نموذجًا مفتوحًا يضيف الترجمة النصية إلى الصوت المسجل ويحدد المتحدثين في مرور واحد مفيد مباشرة: ترجمات نصية لمقاطع VOD والمقاطع القصيرة، ونصوص قابلة للبحث لتسجيلات البودكاست أو Discord، وترجمات نصية بعدة لغات. ولأن الأوزان مفتوحة، يمكن تشغيله على عتادك الخاص بدلًا من واجهة API مدفوعة. وتنطبق نصيحة NVIDIA نفسها: راجع الأسماء وتبدّل المتحدثين والإجابات مقارنةً بالتسجيل.

إنه ليس أداة ترجمة نصية مباشرة. تقول NVIDIA إنه يستهدف الصوت المسجل، لذا فإن الترجمة النصية الفورية للبث خارج نطاقه حاليًا.

Granary v2

أطلقت NVIDIA أيضًا Granary v2، وهو مسار البيانات والتنقيح متعدد اللغات المستخدم في التدريب، مع وصفات ضبط دقيق لـ NeMo Speech. وفي دراسة حالة طبية، تقول NVIDIA إن الضبط الدقيق خفّض معدل خطأ الكلمات لدى متحدثين مستبعدين من التدريب بنسبة 45.8%. وبالنسبة لمجموعة بيانات VoxPopuli، قلّص مرشّحها عالي الدقة 354,000 ساعة إلى 111,000 ساعة عبر 22 لغة أوروبية.

ما المؤكد وما غير المؤكد

مؤكد (NVIDIA، 28 أكتوبر 2026): - إصدار مفتوح الأوزان على Hugging Face وModelScope؛ وإصدار بيانات Granary v2 ومساره. - التغطية اللغوية (40 / 31 / 13) ومراكز لوحات الصدارة المذكورة أعلاه، بحسب ما أعلنته NVIDIA.

غير مؤكد: - تكرار مستقل لرقم السرعة، الذي استخدم نسخة مكمّمة تصفها NVIDIA بأنها "ستصدر لاحقًا". - شروط الترخيص الدقيقة وذاكرة بطاقة الرسومات الاستهلاكية المطلوبة (لم يتناولها المنشور؛ راجع بطاقة النموذج).

المصادر

مقالات ذات صلة

للأعلى: الذكاء الاصطناعي