Nvidia выпустила открытую речевую модель, которая расшифровывает речь на 40 языках
- Nemotron 3.5 Transcribe распознаёт 40 языков, переводит с 31 на английский и обратно, различает до восьми говорящих в записях длительностью до часа.
- Модель содержит 34 млрд параметров, но задействует около 4 млрд на каждом шаге; она работает на одном чипе Nvidia, а лицензия допускает коммерческое использование.
- Granary v2 включает 463 062 часа речи на 48 языках; дообучение модели на речи индийских врачей снизило ошибки на 45,8% за 14 часов на одном GPU.
Nvidia выпустила Nemotron 3.5 Transcribe — модель с открытыми весами, которая транскрибирует речь на 40 языках, переводит с 31 языка и размечает до восьми говорящих в записях продолжительностью до часа. Вместе с ней вышел Granary v2 — бесплатный датасет из 463 062 часов речи на 48 языках.
Nvidia выпустила Nemotron 3.5 Transcribe — бесплатную ИИ-модель с открытыми весами, которая преобразует речь в текст на 40 языках, сообщила компания в среду. Та же модель умеет переводить с 31 из этих языков на английский и обратно, определять, кто говорит, и отвечать на вопросы о записи.
Она справляется с записями продолжительностью до часа и различает до восьми говорящих. Разработчики управляют ею с помощью промптов на естественном языке — например, запрашивая очищенную или дословную расшифровку либо указывая медицинские термины или названия продуктов, на которые нужно обращать внимание.
Модель насчитывает 34 млрд параметров, но на каждом шаге задействуется лишь около 4 млрд, благодаря чему она работает быстро и дёшево. Она запускается на одном чипе Nvidia — от компактных плат Jetson до GPU для дата-центров, а её лицензия допускает коммерческое использование.
По данным Nvidia, модель занимает первое место среди открытых моделей в рейтинге распознавания английской речи Hugging Face со средним показателем ошибок на уровне слов 5,33%. Она предназначена для записанного аудио, а не для транскрипции в реальном времени.
Одновременно Nvidia выпустила Granary v2 — бесплатный датасет из 463 062 часов речи на 48 языках (в первой версии их было 25). Разработчики скачивают аудио из каждого исходного источника на условиях его собственной лицензии. Конкуренты берут за ту же работу деньги: транскрипция Grok от SpaceXAI стоит 10 центов за час.
Чтобы показать, как модель можно дообучать, Nvidia натренировала её на медицинской речи индийских врачей. Это снизило число ошибок на 45,8% на отложенных тестовых фрагментах и заняло около 14 часов на одном GPU.
Новинка пополнила растущее семейство открытых моделей Nvidia. Она вышла вслед за Nemotron 3 Nano Omni в апреле и Nemotron 3.5 Lightning в августе — последняя отвечает за языковую часть новой модели.
Об этом также пишут
- 3DNews Nvidia представила открытую ИИ-модель для распознавания речи на 40 языках, включая русский 29.10.2026 00:19
