Nvidia выпустила Nemotron 3.5 Transcribe — открытую модель для автоматического преобразования речи в текст. Заявленные характеристики впечатляют: поддержка 40 языков, перевод между 31 языком и английским, обработка записей до часа длиной и разделение голосов до восьми говорящих. По бенчмаркам, включая Open ASR Leaderboard от Hugging Face, Nvidia утверждает превосходство над конкурентами. Модель содержит 30 миллиардов параметров, но компания обещает, что она будет работать на одном чипе — от мобильных Jetson AGX Thor до серверных Blackwell.
Техническое исполнение здесь действительно интересно. 30 млрд параметров — это не мизер, но Nvidia справедливо подчёркивает, что это компактнее, чем у многих конкурентов при сохранении функциональности. К открытой модели идёт обновленный датасет Granary и инструменты NeMo для кастомизации под специфику отрасли: медицинскую терминологию, корпоративный сленг и так далее. Один минус — Transcribe работает только с записанным аудио, не с прямыми трансляциями, что ограничивает применение для живых звонков.
Релиз Nemotron 3.5 встраивается в более широкий тренд насыщения рынка голосовыми AI-моделями. За последний месяц Mistral выпустила Voxtral 3, ElevenLabs запустила реал-тайм-агент Realtime, Salesforce представила Launa-Omni. Каждый крупный игрок теперь спешит предложить своё решение для голоса. Это хорошая новость для разработчиков — конкуренция снижает цены и ускоряет инновации. Плохая новость — качество и реальная полезность сильно варьируются, и маркетинг часто затмевает практику.
Судя по описанию, Nemotron нацелена на две наиболее устойчивые ниши: деловые встречи (протоколирование, аналитика) и медицину (диктовка заключений, документирование). Это не glamorous, не viral, но это именно те области, где транскрипция уже приносит деньги и экономит время. Nvidia правильно выбрала фокус, вместо попыток конкурировать в гонке за самой дешевой или самой креативной моделью.
Открытый исходный код и свободное распространение — стандартная стратегия Nvidia для голосовых моделей. Это позволяет компании удержать экосистему своего железа (разработчики натягивают нагрузку на GPU и TPU) и собрать feedback от сообщества, при этом не вступая в прямую ценовую войну с облачными сервисами OpenAI, Google или ElevenLabs. Модель с открытыми весами легче кастомизировать под свои нужды, но требует знаний и ресурсов для деплоя.
В российском контексте открытая модель Nvidia особенно полезна для компаний в финтехе, e-commerce и корпоративных сервисах, которые нуждаются в локализации и не готовы платить per-token американским облачным поставщикам. Медицинские учреждения, телекомы, call-центры могут развернуть её на своём оборудовании или у российских хостеров. Возможность кастомизации под специфику (медицинская терминология, отраслевой жаргон на русском) — это реальный плюс, если модель действительно хорошо натренирована на русском языке, что следует проверить в боевых условиях.
Алексей Мартыненко
Главный редактор SPV News
Открытые модели Nvidia хороши тем, что позволяют не привязываться к облачным сервисам, но при этом требуют реальной работы по деплою и настройке. Важно не воспринимать релиз модели как готовое решение для производства — это скорее основа для дальнейшей работы. На практике разница в качестве между различными моделями часто проявляется только на специфических данных отрасли, поэтому бенчмарки на общих датасетах стоит проверять собственными тестами.