На 28 октомври NVIDIA представи Nemotron 3.5 Transcribe и Granary v2. Според съобщението моделът транскрибира 40 езика, превежда 31 от тях към или от английски и приписва реплики на говорители в 13. Посочени са записи до един час и до осем говорители. Granary v2 добавя данни и инструменти за адаптиране.

Записът не е разговор в реално време

Официалната карта определя модела като офлайн система. Вътрешното разделяне на аудиото не го превръща в услуга за поточна транскрипция. Картата посочва 34 милиарда общи параметри с аудиоенкодера, около 4,3 милиарда активни, референтна BF16 конфигурация с H100 80 GB и лиценз OpenMDW-1.1. Най-бързите публикувани измервания използват оптимизации на NIM, които още не са част от отворената реализация.

Тези разграничения променят начина, по който продуктът трябва да се оценява. Архив от записи може да се обработва след приключването им, докато приложение за разговор изисква резултати, преди човекът да е завършил цялата си реч. Краткото време за обработка на готов файл само по себе си не доказва поведението на интерфейс с непрекъснат вход. Това е нашият инженерно-редакционен прочит, а не собствено измерване на модела.

Версиите и точността не са взаимозаменяеми

При проверката картата вече посочва BF16, FP8 и NVFP4 варианти, въпреки оставащото „предстоят“ в блога. Отделната карта на NVFP4 изисква Blackwell и предупреждава, че таблиците са за BF16. За NVFP4 е отчетена средно 3,6% относително по-висока грешка при транскрипция — не разлика от 3,6 процентни пункта.

Затова екипът не бива да свързва най-ниската грешка от една конфигурация с най-високата скорост от друга и да представя комбинацията като един измерен продукт. При избор за конкретна работа и двата резултата трябва да се отнасят до една и съща версия, хардуер и начин на обслужване.

От текста до полезния работен резултат

Като илюстративен сценарий, архив от интервюта може да изисква точен оригинален текст, превод и разпределение на репликите. Грешка в собствено име, сгрешен говорител и неточен превод са различни проблеми. Успешната транскрипция на даден език не е достатъчно основание автоматично да се обещаят всички останали функции за него.

Нашият извод е, че задачата трябва да се дефинира преди избора на показател. За търсене в архив може да е важен откритият пасаж; за публикуване на интервю — всяка реплика и проверката ѝ от редактор. SIExpo не е обработвал аудио с този модел и не потвърждава независимо фирмените сравнения. Новината е наличието на общ модел за няколко аудиозадачи при ясно различими ограничения, а не обещание за еднаква точност навсякъде.

*AI илюстрация: концептуална обработка на запис, а не реална потребителска сесия.*

*Редакционна проверка: 29.10.2026, 19:17:12 +0200 (Europe/Sofia).*