NVIDIA przedstawiła nowe generacje swoich modeli do transkrypcji audio: Nemotron 3.5 Transcribe oraz Granary v2. Rozwiązania te wprowadzają istotną innowację - możliwość bezpośredniego wpływania na proces transkrypcji poprzez instrukcje tekstowe, a także elastyczną adaptację do specjalistycznego słownictwa i kontekstu.
Modele zostały zaprojektowane z myślą o wielojęzyczności i działają efektywnie z audio w różnych językach. Kluczową zaletą jest mechanizm prompt-based, który pozwala użytkownikom kierować transkrypcją poprzez naturalną instrukcję, co zmienia podejście do automatycznego konwertowania mowy na tekst z twardego, sztywnego wariantu na bardziej adaptywny.
Udostępnienie modeli na Hugging Face oznacza, że społeczność AI i deweloperzy mogą od razu eksperymentować z tymi narzędziami i integrować je w swoich projektach. To szczególnie ważne dla zastosowań w branży medycznej, prawnej, dziennikarstwa czy edukacji, gdzie precyzja transkrypcji specjalistycznej terminologii decyduje o przydatności narzędzia.