Главное в материале

  • Nemotron 3.5 Transcribe — открытая модель на 30 млрд параметров, поддерживает до 40 языков
  • Переводит 31 язык в обе стороны с английским, работает с записями до часа, различает до 8 спикеров
  • Работает только с записанным аудио, не с потоковым; запускается на одном чипе — от Jetson AGX Thor до Blackwell

Nvidia выпустила открытую модель транскрибации

Nvidia в среду выпустила Nemotron 3.5 Transcribe — бесплатную open-weight модель для транскрибации аудио на 40 языках, а также вторую версию открытого речевого датасета Granary. По заявлениям компании, модель переводит 31 язык в обе стороны с английским, обрабатывает записи длиной до часа и различает до восьми говорящих. Nvidia также утверждает, что модель превосходит конкурентов в бенчмарках, включая Open ASR Leaderboard на Hugging Face.

Для кого и с какими ограничениями

Инструменты ориентированы на разработчиков приложений для расшифровки деловых встреч и медицинской транскрибации — двух устоявшихся ниш ИИ на рабочем месте. С помощью модели, обновлённого Granary и инструментов вроде NeMo Speech разработчики могут адаптировать приложения под отраслевую терминологию на каждом языке. Существенное ограничение: Transcribe работает с записанным аудио, а не с потоковыми трансляциями.

Аппаратные требования и контекст рынка

Модель на 30 млрд параметров, по словам Nvidia, способна работать на одном чипе — от робототехнического контроллера Jetson AGX Thor и чипа DGX Spark, на котором работают новые ноутбуки, до датацентровых чипов Blackwell. Она пополнила линейку open-weight голосовых моделей компании, куда входит и компактная Parakeet (1,1 млрд параметров).

Волна релизов голосового ИИ

Релиз пришёлся на насыщенный период для голосового ИИ: Mistral ранее в этом месяце выпустила Voxtral 3, ElevenLabs запустила Realtime для мгновенной речи в голосовых агентах, а Salesforce представила свою голосовую модель Launa-Omni. Таким образом, Nemotron 3.5 Transcribe выходит на рынок, где сразу несколько компаний одновременно наращивают предложения в области распознавания и синтеза речи.