Nvidia ने आता AI सॉफ्टवेअर क्षेत्रात मोठी मुसंडी मारली असून 'Nemotron 3.5 Transcribe' हे नवीन टूल लाँच केले आहे. हे टूल **40 भाषांमधील** ऑडिओ ट्रान्स्क्राइब करण्याची क्षमता ठेवते, ज्यामुळे कंपनी आता केवळ हार्डवेअर पुरवठादार न राहता 'फुल-स्टॅक' एआय सोल्यूशन प्रोव्हायडर बनण्याच्या दिशेने पाऊल टाकत आहे.
एआय स्पीच मार्केटमध्ये एन्ट्री
Nvidia ने अधिकृतपणे एआय स्पीच ट्रान्स्क्रिप्शन मार्केटमध्ये पाऊल ठेवले आहे. त्यांचे नवीन 'Nemotron 3.5 Transcribe' मॉडेल 40 विविध भाषांमधील ऑडिओवर प्रक्रिया करू शकते आणि एकाच रेकॉर्डिंगमध्ये आठ वेगवेगळ्या व्यक्तींना ओळखण्याची क्षमता ठेवते. क्लिनिकल डॉक्युमेंटेशन आणि कॉर्पोरेट मीटिंग ॲनालिसिस यांसारख्या व्यावसायिक क्षेत्रांना लक्ष्य करत कंपनी एंटरप्राइज सॉफ्टवेअर मार्केट काबीज करण्याचा प्रयत्न करत आहे.
हार्डवेअर ते सॉफ्टवेअरचा प्रवास
केवळ चिप मेकर राहण्यापेक्षा आता Nvidia 'फुल-स्टॅक' एआय सोल्यूशन्स देण्यावर भर देत आहे. नवीन मॉडेल Jetson AGX रोबोटिक्स कंट्रोलरपासून ते हाय-एंड Blackwell डेटा सेंटर आर्किटेक्चरपर्यंत सर्व उपकरणांवर काम करते. 'लोकल एक्झिक्युशन' (Local Execution) मुळे डेटा क्लाउडवर न पाठवता सिस्टममध्येच सुरक्षित ठेवता येतो, जे कायदेशीर आणि आरोग्य क्षेत्रासाठी महत्त्वाचे आहे.
मॉडेलची वैशिष्ट्ये आणि आव्हाने
हे 30-बिलियन पॅरामीटर मॉडेल 'ओपन-वेट' (Open-weight) स्वरूपात उपलब्ध आहे, ज्यामुळे डेव्हलपर्स ते आपल्या गरजेनुसार बदलू शकतात. मात्र, या क्षेत्रात Mistral (Voxtral 3), ElevenLabs आणि Salesforce यांच्याकडून जोरदार स्पर्धा आहे. सध्या या टूलची एक मोठी मर्यादा म्हणजे हे केवळ प्री-रेकॉर्डेड ऑडिओसाठीच चालते, यात रिअल-टाइम ट्रान्स्क्रिप्शनची सुविधा नाही. आता कंपनी तांत्रिक मर्यादा किती वेगाने दूर करते आणि एंटरप्राइज क्लायंट्सना आपल्या हार्डवेअरकडे आकर्षित करते, याकडे गुंतवणूकदारांचे लक्ष असेल.