NVIDIA, ses tanıma teknolojisinde önemli bir adım atarak Nemotron 3.5 ASR modelini yayınladı. Bu yeni otomatik konuşma tanıma sistemi, tek bir model ile tam 40 dil ve lehçeyi gerçek zamanlı olarak algılayıp yazıya aktarabiliyor. Üstelik sesli girdilere noktalama işaretleri ve büyük harflerle profesyonel bir metin olarak geri dönüyor. Geliştiriciler ve kurumlar için açık kaynak olarak kullanıma sunulan bu model, hem düşük gecikmeli canlı ses akışı hem de yüksek hacimli metin dönüştürme işlemleri için tasarlandı.
Nemotron 3.5 ASR, önceki sürümün üzerine dil tanımlama yeteneği ekleyerek 600 milyon parametreli tek bir kontrol noktası ile farklı diller arasında geçiş yapabiliyor. Artık her dil için ayrı bir model kullanmaya veya modele geçiş yapmaya gerek kalmıyor. Bu sayede çok dilli uygulamalarda hem maliyet hem de yönetim kolaylığı sağlanmış oluyor. Model, temel olarak NVIDIA’nın geliştirdiği Cache-Aware FastConformer-RNNT mimarisini kullanıyor. Bu teknoloji, gelen ses verisini hızlı ve verimli şekilde işleyerek düşük gecikme ile sonuç üretirken doğruluktan da taviz vermiyor.
Nemotron 3.5 ASR mimarisinde en dikkat çekici özelliklerden biri ön bellek (cache) kullanımıyla ses verisini işlemesi. Gelen her ses karesi sadece bir kez analiz ediliyor; böylece önceki sistemlerdeki gibi tekrar eden hesaplamalar ortadan kalkıyor. Bu da daha az işlem gücü harcanması ve sonuçların çok daha hızlı gelmesi anlamına geliyor. Ayrıca modelin “att_context_size” isimli parametresi ile kullanıcılar, gecikme süresi ile doğruluk arasında tercihte bulunabiliyor. Örneğin, 80 milisaniyelik ultra düşük gecikme modu, hızlı tepki gerektiren uygulamalar için ideal. Daha uzun bağlamlar ise metnin doğruluğunu artırıyor ancak gecikmeyi biraz yükseltiyor.
Model sadece İngilizce, Fransızca ya da Almanca değil; Arapça, Japonca, Korece, Mandarin Çincesi, Hintçe ve Tayca gibi çok sayıda dili destekliyor. Üstelik hedef dili otomatik algılama özelliği sayesinde karışık dil içeren konuşmalar bile tek seferde doğru şekilde yazıya dökülebiliyor. Bu da çok dilli ortamlar için büyük bir avantaj sunuyor. NVIDIA, ayrıca modelin düşük kaynak kullanımı ve açık erişim lisansı sayesinde araştırmacılar ve şirketler tarafından kolayca özelleştirilebileceğini belirtiyor.
Modelin kullanım alanları oldukça geniş. Canlı yayınlardaki altyazı uygulamalarından, müşteri hizmetlerindeki ses analitiğine kadar pek çok alanda kullanılabilir. Örneğin, çağrı merkezlerinde gelen ses verisi anlık olarak metne dönüştürülerek müşteri temsilcilerine gerçek zamanlı destek sağlanabilir. Düşük gecikme süresine sahip olması, robot asistanlar ve sesle kontrol edilen cihazlarda da performans artışı anlamına geliyor. Ayrıca modelin açık kaynak olması, bölgeler ve diller özelinde ince ayar yapma imkanı sunarak performansı daha da artırıyor.
NVIDIA’nın açıkladığı sonuçlar, Nemotron 3.5’in hem düşük gecikmeyle hem de yüksek doğrulukla çalıştığını gösteriyor. Yunan ve Bulgar dilleri için yapılan kısa uyarlama süreçlerinde kelime hata oranlarında yüzde 30’un üzerinde iyileşmeler elde edildi. Bu da modelin farklı dillerde ve aksanlarda kolayca geliştirilebileceğinin bir kanıtı olarak öne çıkıyor. Son olarak, modelin Hugging Face platformu üzerinden açık erişime sunulması, geliştirme ve test süreçlerini hızlandırıyor.
Sonuç olarak, Nemotron 3.5 ASR, konuşma tanıma alanında yenilikçi ve esnek bir çözüm olarak dikkat çekiyor. Çok dilde destek, düşük gecikme süresi ve open-source yapısıyla sektörde fark yaratıyor. Gelecekte ses tanıma teknolojilerinin günlük hayat ve iş dünyasında daha etkin kullanılmasını sağlayacak bu model, yapay zeka destekli ses işlemede yeni standartlar getirebilir. NVIDIA’nın şu an üzerinde çalıştığı gRPC tabanlı streaming entegrasyonu ise önümüzdeki dönemlerde kullanım deneyimini daha da zenginleştirecek.
📎 Kaynak: marktechpost.com
