Megjelent az utasításokkal irányítható Nemotron 3.5 Transcribe

Az NVIDIA október 28-i bejelentése olyan modellt mutat be fejlesztőknek, amely hangfelvételekből készít felhasználható szöveget. Az utasítás kérhet beszélőcímkékkel ellátott átiratot, vagy rákérdezhet arra, milyen döntések születtek egy megbeszélésen. Ugyanaz a modell tehát eltérő kimeneteket adhat a feladat szerint. Rögzített hangot dolgoz fel, nem élő átírást végez. Az NVIDIA azt javasolja, hogy a neveket, a beszélőváltásokat és a válaszokat vessük össze a felvétellel.

A modelldokumentáció fontos különbséget tesz a magyar felhasználók számára: a magyar átírás és a magyar–angol fordítás mindkét iránya támogatott, a több beszélőt megkülönböztető magyar átírás viszont nincs megadva. A hang tartalmának értelmezését és az arra épülő következtetést csak angolul értékelték; más nyelveken ezek megbízhatatlanok lehetnek. A beszélőcímkék a felvételen belüli hangokat különítik el, nem valódi személyeket azonosítanak. A hihető kimenet is félreértelmezheti a hangot, a megadott szöveges háttér pedig téves kifejezések felé terelheti.

Egy Agora-tantermi demó konkrét felhasználást szemléltet. Mason Adams leírásában az élő órát az Agora közvetíti, a felvételt pedig a böngésző készíti. A foglalkozás befejezése után a demó elküldi a rögzített hangot a modell korai hozzáférésű változatának, majd a szavak időpontját is tartalmazó átiratot a visszajátszás mellett jeleníti meg. Adams lehetséges tanulási segítségként írja le, hogy egy kifejezésre rákeresve a megfelelő pillanathoz lehetne ugrani. A demót nem tesztelték a cikkében tárgyalt rendkívül nagy közönségméreteken.