NVIDIA выпустила модель для расшифровки аудио на 40 языках, включая русский

Nemotron 3.5 Transcribe работает с записями длиной до часа. Она умеет разделять реплики разных собеседников, отмечать время каждого слова, переводить речь и отвечать на вопросы по содержанию записи. Заточена на обработку готового аудио, не на real-time.

По внутренним тестам, модель обошла другие решения с открытыми весами по качеству распознавания английской речи, длинных записей и в многоязычном тесте на семи языках. Это результаты конкретных тестов, а не гарантия превосходства на любой записи.

Для полной версии нужна H100 с 80 ГБ памяти. Но есть и более компактные версии.

https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B