A pesar de que la inteligencia artificial parece estar en todas partes, su funcionamiento se limita a una pequeña porción de los más de 7,000 idiomas que existen en el mundo, dejando a una gran parte de la población global en la sombra. En respuesta a esta problemática, NVIDIA se propone abordar esta clara deficiencia, enfocándose especialmente en el continente europeo.

La compañía ha lanzado un potente conjunto de herramientas de código abierto que permitirá a los desarrolladores crear inteligencia artificial de voz de alta calidad para 25 idiomas europeos. Este avance incluye lenguas predominantes, pero también ofrece una oportunidad a aquellos idiomas frecuentemente ignorados por las grandes empresas tecnológicas, como el croata, el estonio y el maltés.

El objetivo de NVIDIA es capacitar a los desarrolladores para que construyan herramientas de voz que muchos consideran cotidianas, desde chatbots multilingües que realmente comprenden al usuario, hasta bots de atención al cliente y servicios de traducción que funcionan en un abrir y cerrar de ojos.

El eje central de esta iniciativa es Granary, una vasta biblioteca de habla humana que contiene alrededor de un millón de horas de audio, cuidadosamente seleccionadas para enseñar a la inteligencia artificial los matices del reconocimiento y la traducción del habla. Para facilitar el uso de estos datos de voz, NVIDIA también presenta dos nuevos modelos de inteligencia artificial diseñados para tareas lingüísticas: Canary-1b-v2, un modelo grande optimizado para lograr alta precisión en trabajos complejos de transcripción y traducción, y Parakeet-tdt-0.6b-v3, enfocado en aplicaciones en tiempo real donde la velocidad es crucial.

Los interesados en profundizar en la ciencia detrás de esta innovación podrán conocer más sobre el trabajo en Granary, que se presentará en la conferencia Interspeech en los Países Bajos este mes. Para los desarrolladores que deseen experimentar con estas herramientas, el conjunto de datos y ambos modelos ya están disponibles en Hugging Face.

La verdadera magia radica en cómo se generaron estos datos. Todos sabemos que entrenar a una inteligencia artificial requiere grandes cantidades de información, pero conseguirla suele ser un proceso lento, costoso y, francamente, tedioso por la necesidad de anotaciones humanas. Para sortear este obstáculo, el equipo de inteligencia artificial de NVIDIA, en colaboración con investigadores de Carnegie Mellon University y Fondazione Bruno Kessler, desarrolló una línea de producción automatizada. Utilizando su propia herramienta NeMo, lograron transformar audio crudo y sin etiquetar en datos estructurados de alta calidad que una inteligencia artificial puede aprender.

Este avance no solo representa un logro técnico; también es un gran paso hacia la inclusión digital. Esto significa que un desarrollador en Riga o Zagreb puede finalmente crear herramientas de inteligencia artificial vocal que entiendan adecuadamente sus idiomas locales, y hacerlo de manera más eficiente. El equipo de investigación descubrió que los datos de Granary son tan efectivos que se necesita aproximadamente la mitad de la cantidad de datos para alcanzar un nivel de precisión objetivo en comparación con otros conjuntos de datos populares.

Los dos nuevos modelos demuestran este poder. Canary es, sin duda, un gigante, ofreciendo calidad de traducción y transcripción que rivaliza con modelos tres veces más grandes, pero con una velocidad hasta diez veces superior. Por su parte, Parakeet puede procesar una grabación de reunión de 24 minutos de una sola vez, identificando automáticamente el idioma que se está hablando. Ambos modelos son lo suficientemente inteligentes como para manejar puntuación, capitalización y proporcionar marcas de tiempo a nivel de palabra, lo que es esencial para construir aplicaciones de calidad profesional.

Al poner estas herramientas poderosas y los métodos que las respaldan en manos de la comunidad global de desarrolladores, NVIDIA no solo lanza un producto; inicia una nueva ola de innovación, con la esperanza de crear un mundo donde la inteligencia artificial hable tu idioma, sin importar de dónde seas.