NVIDIA выпустила открытую модель Nemotron 3.5 Transcribe: русский и японский в списке из 40 языков

NVIDIA 28 октября представила Nemotron 3.5 Transcribe, открытую модель для работы с записанной речью. Главная идея в том, что вместо связки из нескольких инструментов здесь одна модель: она расшифровывает запись, подписывает, кто из собеседников что сказал, переводит и отвечает на вопросы по содержанию аудио. Управляется всё обычными текстовыми просьбами вроде «расшифруй и подпиши говорящих».

Что известно

• Модель понимает 40 языков, веса открыты и уже лежат на Hugging Face в форматах BF16, FP8 и NVFP4.
• Всего в ней около 30 млрд параметров, но при работе задействовано примерно 4,3 млрд, поэтому её можно запускать локально: NVIDIA называет RTX Spark, DGX Spark, Jetson AGX Thor и GeForce RTX 5090.
• По данным компании, модель занимает первое место в открытом рейтинге распознавания речи Open ASR на Hugging Face.
• Это офлайн-модель для готовых записей длиной до часа, а не синхронная расшифровка в прямом эфире.

Почему я обратила на это внимание

В карточке модели русский отмечен высшим уровнем качества, а японский указан как готовый к реальному использованию, причём для обоих заявлены и разметка нескольких говорящих, и смешение языков в одной фразе. Для тех, кто разбирает японские интервью с сэйю, записи радиопередач или стримы с презентаций, это заметный шаг: всё можно делать на своём компьютере, не отправляя аудио в облако.

Но есть важная оговорка: перевод работает только в паре с английским. Напрямую с японского на русский модель не переводит, так что для русскоязычного зрителя это скорее помощник для расшифровки, чем готовые субтитры.

Подробности есть в анонсе NVIDIA и на странице модели.