Задача «из аудио в текст» только что стала ощутимо доступнее: Nvidia выпустила открытую модель Nemotron 3.5 Transcribe, которая распознаёт речь на 40 языках и запускается на одной видеокарте. Это не очередной платный сервис по подписке, а открытая модель, которую можно поставить на своё железо и попросить сделать не только расшифровку, но и перевод, разметку говорящих и краткий итог. Для тебя это значит, что часовая запись встречи, лекции или интервью может превратиться в понятный текст с именами спикеров и выводами — без трёх разных приложений и ручного переписывания.
Что вообще произошло
Nvidia выпустила Nemotron 3.5 Transcribe — открытую речевую модель, которая понимает текстовые команды. Проще говоря, ты не просто нажимаешь «расшифровать», а пишешь инструкцию: «разметь, кто говорит», «переведи на английский», «сделай выжимку по решениям». Модель совмещает три вещи, которые раньше обычно жили в разных сервисах: распознавание речи в текст, перевод и определение спикеров.
По цифрам: транскрибация — 40 языков, перевод — 31 язык в обе стороны с английским, распознавание говорящих — 13 языков. Запись может длиться до часа и содержать до восьми голосов. Внутри 30 миллиардов параметров, но на каждом шаге активны только 4 миллиарда — поэтому всё работает на одной видеокарте NVIDIA, от компактной DGX Spark до серверной железяки. Ещё Nvidia выложила Granary v2 — датасет на 844 000 часов аудио и инструменты, чтобы адаптировать модель под узкие области вроде медицины.
Почему это не просто ещё одна модель
Главное преимущество — не только качество, но и цена владения. Nvidia говорит, что модель обрабатывает 100 часов аудио меньше чем за три минуты на RTX PRO 6000 Blackwell Server Edition при точности NVFP4. На Hugging Face English Open ASR Leaderboard она занимает первое место среди открытых моделей со средней долей ошибок в словах 5,33%. По точности она почти не отстаёт от более крупной Voxtral Small от Mistral, хотя у той гораздо больше активных параметров.
Для обычного человека это переводится так: расшифровка перестаёт быть отдельной статьёй расходов. Ты можешь держать инструмент у себя, не отправлять чувствительные записи в чужое облако и не платить за каждую минуту. А если не хочешь ставить ничего сам — на такой модели быстро появятся готовые онлайн-сервисы, потому что разработчикам она тоже выгодна.
Что это даёт лично тебе
Вот бытовые ситуации, где это уже сегодня экономит время.
• Фрилансер-дизайнер записывает бриф с клиентом на 40 минут. Раньше он час вручную выписывал правки, теперь даёт модели команду: «расшифруй, разметь спикеров, выпиши задачи и сроки». На выходе — текст, где видно, кто что попросил, плюс короткое резюме. Если клиент иностранный, ту же запись можно сразу перевести.
• Владелец небольшой кофейни проводит планёрку с четырьмя сотрудниками. Запись до часа и до восьми голосов — как раз его случай. Он получает не просто стенограмму, а список решений: кто отвечает за поставку, кто за график, кто за вывеску. Это та самая транскрибация аудио, которая раньше стоила денег и сил.
Где ещё это выручает
• Студент записывает лекцию на час. Модель делает конспект и сохраняет термины. Если лекция была на английском, он получает перевод голоса в текст и готовится к экзамену по понятному конспекту.
• Подкастер записывает выпуск с гостем. Расшифровка с разметкой спикеров нужна для шоу-нот, цитат и поиска по выпуску. Перевод на английский открывает выпуск новой аудитории без отдельного переводчика.
• Менеджер собирает созвон с подрядчиками. В записи восемь человек перебивают друг друга — для модели это рабочий сценарий, она размечает говорящих. На выходе — короткий итог: что решили и кто за что отвечает.
Как попробовать прямо сейчас
Самый простой путь — зайти на страницу NVIDIA AI и найти там материалы по Nemotron 3.5 Transcribe: демо, документацию и инструкции. Дальше зависит от твоего уровня.
1. Открой NVIDIA AI и найди раздел про Nemotron 3.5 Transcribe.
2. Если не хочешь возиться с установкой, ищи готовое демо или сервис на базе этой модели — так получится попробовать из аудио в текст онлайн без своей видеокарты.
3. Подготовь запись не длиннее часа и не больше чем с восемью голосами — это официальные ограничения модели.
4. Напиши текстовую инструкцию: «расшифруй, разметь спикеров, сделай краткое резюме решений». Можно попросить перевод на английский.
5. Если в записи есть специальные термины — названия лекарств, деталей, проектов — добавь их списком. Модель должна использовать подсказки только тогда, когда они реально звучат в аудио.
6. Проверь результат: имена, цифры и термины. Даже лучшая модель требует быстрой вычитки.
Что получится, а где подвох
Главные плюсы: один инструмент вместо трёх, открытая модель, работа на одной видеокарте, 40 языков, перевод, спикеры и подсказки по терминам. Для бизнеса это ещё и возможность не отдавать записи в чужое облако.
Но ограничения такие: запись — не дольше часа, говорящих — не больше восьми. Подсказки по терминам не гарантируют, что модель вставит слово, если его не было в записи. И для локального запуска нужна видеокарта NVIDIA — обычному человеку без технаря под рукой проще подождать готовое демо или сервис.
Вывод и одно действие на сегодня
Nemotron 3.5 Transcribe — это практичный инструмент, который убирает ручную расшифровку. Если ты давно откладываешь разбор записей встреч, лекций или интервью, можно проверить на короткой записи. Возьми короткую запись, прогони через демо или попроси знакомого с NVIDIA GPU, и посмотри, сколько времени ты сэкономил. Сохрани статью, чтобы не искать цифры заново. А если хочешь разобраться, как встроить это в свой рабочий процесс, напиши вопрос в комментариях @aigoby — разберём вместе.
🎁 Бонус: готовый промпт
Скопируй этот промпт и подставь свои данные. Он собран под то, что умеет Nemotron 3.5 Transcribe: расшифровка, спикеры, резюме, перевод и подсказки по терминам.
```
Ты — аккуратный транскрибатор. Вот аудиозапись встречи.
1. Сделай расшифровку на русском языке.
2. Разметь говорящих: Спикер 1, Спикер 2 и так далее.
3. Отдельным блоком дай краткое резюме: какие решения приняты и кто за что отвечает.
4. Если в записи звучат термины из моего списка, используй их только там, где они реально были.
5. В конце добавь перевод ключевых фрагментов на английский.
Список терминов: [вставь свои]
```
Если демо просит промпт на английском, переведи инструкцию — смысл останется тем же.
Комментарии 0