🤖 NVIDIA открыла речевую модель Nemotron 3.5 Transcribe
Открытая модель (30B-A4B) объединяет расшифровку речи, перевод, разделение говорящих и ответы на вопросы по аудио: 40 языков, включая русский, перевод 31 языка с/на английский, до 8 говорящих и записи до часа. 34 млрд параметров всего, ~4,3 млрд активных.
🌍 Модель возглавила открытый ASR-рейтинг Hugging Face: WER 5,33% на английском и 4,62% на многоязычной части; Artificial Analysis даёт 2,8% WER. Рядом открыт датасет Granary v2 — 463 тысячи часов речи на 48 языках для дообучения.
👤 Веса открыты (OpenMDW-1.1) на Hugging Face и ModelScope: запуск локально через vLLM и NeMo Speech, демо — на Hugging Face Spaces. Ограничения: Q&A по аудио — только на английском, живой поток не поддерживается.
Источник 1: https://huggingface.co/blog/nvidia/nemotron-transcribe-granary Источник 2: https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B