Nvidia выпустила открытую модель транскрибации речи на волне популярности голосового ИИ

Главный смысл: Nvidia выпустила Nemotron 3.5 Transcribe — бесплатную модель с открытыми весами для расшифровки аудио. Компания делает ставку на прикладные задачи: обработку рабочих встреч и медицинских записей, где важны разные языки, разделение говорящих и профессиональная лексика.

• Языки и длинные записи. По данным TechCrunch, модель распознаёт речь на 40 языках. Nvidia заявляет о переводе между английским и 31 другим языком, обработке записей длительностью до часа и различении до восьми говорящих.

• Настройка под отрасль. Вместе с моделью вышла вторая версия открытого речевого датасета Granary. Nvidia предлагает использовать его и инструменты NeMo Speech для адаптации приложений к отраслевой терминологии на разных языках. Это возможность дообучения, а не подтверждение того, что модель уже одинаково хорошо понимает любую специальную лексику.

• Оборудование и ограничения. У модели 30 млрд параметров; по заявлению Nvidia, она может работать на одном чипе, включая Jetson AGX Thor, DGX Spark и серверные Blackwell. Однако Transcribe обрабатывает готовые записи, а не прямой аудиопоток: для голосового собеседника, отвечающего в реальном времени, это существенное ограничение.

• Сравнение с конкурентами. Nvidia заявляет о превосходстве над соперниками в тестах, включая Open ASR Leaderboard на Hugging Face. Статья не приводит конкретных результатов или независимой проверки, поэтому считать общее превосходство доказанным пока нельзя.

Что дальше: Следить стоит за независимыми тестами на русском языке, записях с шумом и перебивающими друг друга участниками, а также за расходами на запуск. Для внедрения важны точность терминов и разделения голосов, скорость обработки и условия лицензии: открытые веса сами по себе не отвечают на все эти вопросы.