Nvidia выпустила открытую Nemotron 3.5 Transcribe для 40 языков

Nvidia представила Nemotron 3.5 Transcribe — бесплатную модель с открытыми весами для расшифровки аудио на 40 языках. Модель содержит 30 млрд параметров, работает с записями длительностью до одного часа, различает до восьми говорящих и переводит 31 язык на английский и с английского.

Одновременно компания выпустила вторую версию Granary — открытого набора речевых данных. Эти инструменты адресованы разработчикам приложений для рабочих встреч и медицинской транскрипции.

Что умеет новая модель

Nvidia заявляет, что Nemotron 3.5 Transcribe превосходит конкурирующие решения в бенчмарках, включая Open ASR Leaderboard от Hugging Face. Проверять это утверждение предстоит разработчикам в собственных сценариях и на профильных языках.

Модель рассчитана на обработку уже записанного аудио, а не на работу с потоковой речью в реальном времени. Это важное ограничение для голосовых агентов, кол-центров и других сервисов, где ответ нужен во время разговора.

По данным Nvidia, модель может запускаться на одном чипе. Среди поддерживаемых платформ компания называет робототехнический контроллер Jetson AGX Thor, DGX Spark для новых ноутбуков и серверные чипы Blackwell.

Настройка под профессиональную речь

Разработчики могут сочетать Nemotron 3.5 Transcribe, Granary 2 и инструменты семейства NeMo Speech, чтобы адаптировать приложения к отраслевой терминологии на разных языках. Такой подход особенно актуален там, где общая языковая модель ошибается в названиях препаратов, специальностях или внутренней лексике компаний.

Рынок голосового ИИ становится плотнее: его динамику отражает инвестиции в разработчика voice AI с инвестициями в разработчика voice AI, а новые открытые модели расширяют выбор для команд, которые хотят контролировать развёртывание и настройку распознавания.

Что это означает для компаний

Nemotron 3.5 Transcribe может стать вариантом для обработки архивов встреч, интервью и медицинских записей, если компании важны многоязычность, разделение спикеров и возможность дообучения под терминологию. Для онлайн-расшифровки следует учитывать заявленное Nvidia ограничение: модель не предназначена для live-потоков.

Практический вывод для бизнеса прост: перед внедрением стоит отдельно оценить качество на собственных записях, нужных языках и специализированных словарях, а также разделить задачи пакетной обработки и транскрипции в реальном времени.