28 октября NVIDIA выпустила Nemotron 3.5 Transcribe — модель для перевода речи в текст с открытыми весами: её может скачать с Hugging Face или ModelScope и запустить на своём оборудовании кто угодно. В карточке модели сказано, что она готова к коммерческому и некоммерческому использованию по лицензии OpenMDW-1.1, так что за саму модель платить не нужно.

Что она умеет

Расшифровка на 40 языках, с отметкой времени для каждого слова.
Разметка говорящих — до восьми человек, для 13 из этих языков.
Перевод речи с 31 языка на английский и с английского на эти языки.
Управление запросом: результат можно настраивать инструкциями на обычном языке и задавать вопросы по записи (эта часть обучена на английском).

Важны два ограничения. Запись может длиться до часа, и модель работает только с готовыми записями. В блоге NVIDIA говорится, что она сделана для записанного звука, а не для живой трансляции, а в карточке модели она прямо названа офлайн-моделью.

Цифры и оборудование

В модели около 30 миллиардов параметров, из которых на каждый токен задействованы примерно 4 миллиарда. NVIDIA сообщает о средней доле ошибок в словах 5,33% в английской части рейтинга Open ASR от Hugging Face — первое место среди моделей с открытыми весами. По её данным, одна серверная видеокарта RTX PRO 6000 Blackwell в оптимизированной конфигурации расшифровывает 100 часов аудио меньше чем за три минуты. Это собственные цифры NVIDIA.

Это не модель для ноутбука. Эталонная конфигурация в карточке модели — одна видеокарта H100 с 80 ГБ памяти; квантованные версии рассчитаны на более компактные системы NVIDIA, например DGX Spark и Jetson AGX Thor. Если такого оборудования нет, можно воспользоваться облачными версиями у Baseten, DeepInfra и Simplismart. Вместе с моделью NVIDIA опубликовала Granary v2 — открытый набор речевых данных объёмом около 463 000 часов на 48 языках.

Кому это важно

Разработчики, которые встраивают расшифровку в свои продукты, и организации, которые не могут отправлять записи во внешний сервис, получают сильный бесплатный вариант, который можно запустить у себя. В узких областях помогает дообучение: в медицинском примере NVIDIA доля ошибок упала с 30,8% до 11,8% после дообучения примерно на 245 часах аудио.

Что это значит, если вам нужна расшифровка

Если вы разработчик и выбираете открытую модель, Nemotron 3.5 Transcribe — теперь серьёзная альтернатива Whisper от OpenAI, особенно если нужны разметка говорящих и перевод в одной модели. Перед переходом проверьте её на своих записях: места в рейтингах не всегда отражают качество на реальном звуке.

Если вам просто нужны заметки со встреч, это не приложение. Готовые инструменты вроде Otter.ai и Granola сами записывают звонок и составляют заметки без всякой настройки — и работают прямо во время встречи.