Dans un article du 13 octobre, NVIDIA présente un workflow d’adaptation de reconnaissance vocale guidé par des skills d’agent. L’exemple porte sur les communications du contrôle aérien, dont les indicatifs et les transmissions radio diffèrent fortement d’une conversation ordinaire. Il s’agit d’une méthode d’entraînement et d’évaluation, pas du lancement d’un service universel de transcription.
NVIDIA rapporte que son modèle Nemotron 3.5 ASR Streaming 0.6B passe de 77,00 % à 22,46 % d’erreurs de mots sur deux heures de données ATCO2 annotées par des humains. Sur l’anglais général évalué avec LibriSpeech test-clean, l’erreur passe de 3,50 % à 3,63 %. Le gain spécialisé a donc une contrepartie mesurée, même limitée, et ne peut pas être présenté comme une amélioration sur toutes les conversations.
Le parcours distingue préparation des données, adaptation large sur des annotations automatiques, affinage sur des annotations vérifiées et sélection sur un jeu de développement séparé. Les humains fixent les budgets et examinent les résultats. Installer les instructions de skill ne prépare pas à lui seul l’hôte GPU ni NeMo ; les corpus exigent leurs droits d’utilisation. NVIDIA annonce encore à venir les checkpoints affinés Gold et la publication du sous-ensemble d’évaluation : le tutoriel n’en prouve pas la disponibilité immédiate.