Nvidia a lancé Nemotron Transcribe 3.5, un outil de conversion de la parole en texte, ainsi que Granary, un logiciel qui adapte les transcriptions aux systèmes d’entreprise. Les banques et les hôpitaux disposent ainsi d’un meilleur contrôle sur la manière dont les appels enregistrés et les notes sont transcrits.

Points clés à retenir

• Nvidia a publié Nemotron Transcribe 3.5 et Granary v2 sur sa chaîne Hugging Face dans l’heure qui a suivi.

• Nemotron 3.5 prend en charge la transcription guidée par des instructions : les utilisateurs peuvent orienter les résultats à l’aide de consignes, d’un vocabulaire ou de règles de mise en forme.

• Granary v2 élargit l’offre, qui ne se limite plus à la transcription pure et s’étend à l’adaptation des résultats structurés en aval.

• Dans une publication distincte, Nvidia a également fait la promotion d’outils d’IA locaux sur ses nouveaux ordinateurs portables RTX Spark.

Nvidia a publié cette nouveauté sur sa chaîne officielle Hugging Face dans l’heure qui a suivi. L’entreprise vend les GPU qui équipent une grande partie du marché de l’IA, mais elle publie aussi des modèles et des logiciels conçus pour fidéliser les développeurs à son écosystème, de l’entraînement au déploiement.

Dans une autre publication mercredi, Nvidia a montré que l’entreprise proposait également des outils d’IA locaux sur ses nouveaux ordinateurs portables RTX Spark.

Nemotron Transcribe 3.5 vise la transcription guidée par des instructions

La reconnaissance vocale automatique traditionnelle vise à convertir l’audio en texte en laissant le moins de contrôle possible à l’utilisateur. Cette approche convient à la dictée générale, mais montre ses limites en médecine, en droit, dans les journaux de support et lors de réunions multilingues.

Nemotron 3.5 adopte une approche différente.

La transcription guidée par des instructions permet à l’utilisateur d’orienter le modèle à l’aide de consignes, d’un vocabulaire ou de règles de mise en forme. Si un hôpital veut conserver les noms des médicaments, ou si une rédaction souhaite des étiquettes de locuteurs et des horodatages dans un format précis, le modèle peut être guidé vers ce résultat.

Granary v2 élargit l’offre au-delà de la simple transcription pour inclure l’adaptation.

C’est important, car les entreprises ont souvent besoin de plus qu’une transcription brute. Elles ont besoin d’une transcription adaptée au système qui la traitera ensuite.

Nvidia poursuit son ascension dans la pile d’IA

Cette sortie s’inscrit dans une tendance plus large.

Nvidia n’est plus seulement un fournisseur de puces. L’entreprise développe des modèles de référence, des bibliothèques spécialisées et des outils de déploiement qui rendent son matériel plus difficile à abandonner.

Cette stratégie compte dans le domaine de la reconnaissance vocale, car le marché est très concurrentiel.

Les modèles de reconnaissance vocale open source, les API cloud et les outils de start-up couvrent déjà très bien les besoins de base en matière de transcription. Nvidia doit donner aux développeurs une raison de changer, et le contrôle en est une.

Si la transcription peut être ajustée au moyen d’instructions plutôt que par un réglage fin complet, les équipes peuvent s’adapter plus rapidement et consacrer moins de temps à reconstruire leurs pipelines.

À lire aussi : Invesco fournit aux conseillers deux outils Claude pour créer des portefeuilles plus rapidement

L’entreprise a défendu un message similaire dans les domaines du codage, des agents et de l’IA locale : vendre d’abord le matériel, puis ancrer les flux de travail dans les logiciels Nvidia.

Les dépenses d’investissement que révèlent les choix de produits de Nvidia, ses investissements persistants dans les GPU et ses canaux de déploiement local indiquent que l’entreprise privilégiera des solutions comme Nemotron Transcribe, qui favorisent l’inférence lourde, sur site et optimisée pour CUDA, plutôt que des solutions plus légères.

Lorsqu’une entreprise prône publiquement l’ouverture, mais que ses dépenses matérielles tiennent compte des capacités, de l’approvisionnement et de l’inférence énergivore, ces dépenses constituent le signal le plus fiable quant à la destination des charges de travail de production.

Comment Nemotron 3.5 pourrait transformer les pipelines de reconnaissance vocale

Nemotron 3.5 intéresse surtout les équipes qui considèrent la reconnaissance vocale comme une infrastructure, et non comme une démonstration. Une banque qui enregistre des appels au service client, un système de santé qui traite les notes des cliniciens et une société de médias qui transcrit des entretiens ont tous la même préoccupation.

La transcription doit s’intégrer à un flux de travail en aval.

C’est là que la transcription guidée par des instructions change la donne. Au lieu de réentraîner un modèle ou d’écrire un script de nettoyage fragile après chaque transcription, les développeurs peuvent donner des instructions à Nemotron 3.5 au moment de l’inférence.

Granary v2 semble viser cette couche intermédiaire entre l’audio brut et les résultats structurés destinés aux entreprises.

L’analyse doit tenir compte des contraintes réelles. Les capacités, l’approvisionnement, la consommation électrique et le coût unitaire de l’inférence détermineront si Nemotron Transcribe est viable à grande échelle.

Les déploiements d’entreprise à grande échelle privilégieront les modèles qui tirent parti d’une offre abondante de GPU et tolèrent une consommation électrique accrue, si le coût par inférence est inférieur à celui d’une transcription humaine coûteuse ou de cycles complexes de réglage fin.

À l’inverse, les organisations limitées par la disponibilité des GPU ou par des budgets opérationnels serrés préféreront peut-être des API cloud plus légères ou des modèles optimisés pour l’edge. Les engagements continus de Nvidia en matière de dépenses d’investissement dans les capacités GPU et l’intégration logicielle indiquent que l’entreprise s’attend à ce que ses clients acceptent les contraintes de consommation électrique et d’approvisionnement nécessaires à l’utilisation de Nemotron Transcribe en production.

Lorsque les dépenses d’investissement et la stratégie publique divergent, les dépenses d’investissement sont le meilleur indicateur de l’orientation à long terme.

Par rapport aux anciens systèmes de reconnaissance vocale, cela déplace les efforts de la personnalisation des modèles vers le contrôle à l’exécution. Nvidia en bénéficiera si les développeurs y voient une voie plus simple et continuent d’exécuter leurs charges de travail dans des environnements fortement axés sur CUDA.

Le prochain élément à surveiller est la publication des résultats de référence. Si Nvidia publie les taux d’erreur de mots, la latence et la couverture linguistique de ses modèles face à des concurrents de la catégorie Whisper, les acheteurs auront une meilleure raison de les tester.

À lire ensuite : Oracle fournit des puces d’IA Google aux acheteurs cloud qui lorgnent Nvidia