Nvidia ra mắt Nemotron 3.5 Transcribe: Mô hình chuyển giọng nói mở hỗ trợ 40 ngôn ngữ, mở đường cho AI hội nghị và y tế

Nvidia hôm thứ Tư (13/10/2026) công bố Nemotron 3.5 Transcribe, mô hình chuyển giọng nói mở miễn phí có khả năng phiên âm audio lên tới 40 ngôn ngữ, hỗ trợ ghi âm tới một giờ và phân biệt tới tám người nói, đánh dấu bước tiến lớn cho các ứng dụng hội nghị và y tế trong môi trường doanh nghiệp.

Tóm tắt diễn biến chính

• Nemotron 3.5 Transcribe được phát hành dưới dạng open‑weight, hoàn toàn miễn phí.
• Hỗ trợ phiên âm 40 ngôn ngữ, trong đó 31 ngôn ngữ có thể dịch qua‑lại tiếng Anh.
• Model 30 tỷ tham số chạy trên một chip duy nhất (Jetson AGX Thor, DGX Spark, hoặc Blackwell).
• Không hỗ trợ livestream, chỉ xử lý audio đã ghi.
• Đồng thời Nvidia ra mắt Granary v2 – bộ dữ liệu âm thanh nguồn mở, cùng các công cụ NeMo Speech để tùy chỉnh theo ngành.

Phân tích kỹ thuật

Nemotron 3.5 Transcribe dựa trên kiến trúc Transformer thế hệ mới của Nvidia, mở rộng từ mô hình Parakeet (1,1 tỷ tham số) lên 30 tỷ tham số, cho phép độ sâu mạng và khả năng học đa ngôn ngữ mạnh hơn. Nhờ tối ưu hoá kernel CUDA và hỗ trợ Tensor Core, mô hình có thể chạy trên một chip Jetson AGX Thor – thiết bị nhúng thường dùng trong robot và thiết bị biên. Điều này giúp các doanh nghiệp triển khai giải pháp phiên âm nội bộ mà không cần đầu tư hạ tầng máy chủ lớn.

Granary v2, bộ dữ liệu speech mở mới, cung cấp hơn 10 000 giờ ghi âm đa dạng về giọng, môi trường và miền ngữ cảnh (hội nghị, y tế, giáo dục). Khi kết hợp với NeMo Speech, nhà phát triển có thể “fine‑tune” mô hình để nhận dạng thuật ngữ chuyên ngành – ví dụ, từ vựng y khoa tiếng Việt hoặc tiếng Anh trong báo cáo lâm sàng.

• Ưu điểm: Miễn phí, mở nguồn, hỗ trợ 40 ngôn ngữ, khả năng chạy trên thiết bị nhúng, bộ dữ liệu Granary v2 phong phú, hiệu năng vượt chuẩn Open ASR Leaderboard.
• Nhược điểm: Không hỗ trợ livestream, yêu cầu chuẩn bị file audio chất lượng cao, vẫn cần kỹ thuật fine‑tune để đạt độ chính xác ngành chuyên sâu.

Hướng dẫn áp dụng

1. Bước 1: Tải về mô hình Nemotron 3.5 Transcribe và bộ dữ liệu Granary v2 từ trang Github/Nvidia NGC.
2. Bước 2: Cài đặt môi trường NeMo Speech (Python 3.10, CUDA 12, PyTorch 2.2) trên máy Jetson AGX Thor hoặc server DGX Spark.
3. Bước 3: Sử dụng script transcribe.py để chuyển đổi file audio (.wav, .mp3) sang văn bản, chỉ định ngôn ngữ mục tiêu.
4. Bước 4: Nếu cần nhận dạng thuật ngữ y tế hoặc công nghệ, thực hiện fine‑tune với Granary v2 + dữ liệu nội bộ (ví dụ, báo cáo bệnh án).
5. Bước 5: Tích hợp kết quả vào hệ thống quản lý tài liệu hoặc CRM bằng API nội bộ.

Câu hỏi thường gặp (FAQ)

Hỏi: Nemotron 3.5 Transcribe có thể chạy trên laptop cá nhân không?

Trả lời: Có, nếu laptop được trang bị GPU Nvidia RTX 4090 hoặc RTX 6000 Ada với driver CUDA 12, mô hình có thể chạy ở tốc độ trung bình (khoảng 2‑3 phút cho 1‑giờ ghi âm). Tuy nhiên, hiệu năng tối ưu nhất vẫn đạt trên Jetson AGX Thor hoặc các chip AI chuyên dụng.

Hỏi: Làm sao để mô hình nhận dạng tiếng Việt?

Trả lời: Model hỗ trợ 40 ngôn ngữ, trong đó có tiếng Việt. Để đạt độ chính xác cao, nên fine‑tune thêm bằng cách cung cấp bộ dữ liệu tiếng Việt (ví dụ, các cuộc họp nội bộ) và sử dụng Granary v2 làm tiền xử lý.

Hỏi: Nemotron 3.5 có thể thay thế ElevenLabs Realtime trong các bot thoại?

Trả lời: Không hoàn toàn. ElevenLabs cung cấp khả năng chuyển đổi giọng nói thời gian thực, còn Nemotron 3.5 chỉ xử lý file đã ghi. Đối với các ứng dụng chatbot cần phản hồi ngay lập tức, ElevenLabs vẫn là lựa chọn ưu tiên.

Khuyến nghị giải pháp số chính hãng

Để khai thác tối đa sức mạnh của Nemotron 3.5 Transcribe và Granary v2 mà không gặp rào cản thanh toán quốc tế hay gián đoạn dịch vụ, người dùng nên lựa chọn nền tảng cung cấp tài khoản / nâng cấp bản quyền chính hãng uy tín tại Bantaikhoan.vn với chính sách bảo hành 1-đổi-1 suốt thời hạn sử dụng và kích hoạt tức thì.