Nvidia пусна на 28 октомври Nemotron 3.5 Transcribe – безплатен AI модел, който превръща аудиозаписи в текст на 40 езика, сред които и български. Моделът Nemotron 3.5 Transcribe е с отворени тегла и лиценз, който позволява и търговска употреба, така че всяка фирма или разработчик може да го вгради в собствено приложение, без да плаща на облачна услуга за всяка минута запис.
Накратко
- Записи до 1 час, разпознаване на няколко говорители и превод от и към английски за около 31 езика.
- Българският е отбелязан в описанието на модела като готов за реална употреба.
- Работи само със записи, не с живо аудио, и иска мощна видеокарта.
Какво може новият модел на Nvidia
Transcribe е част от семейството Nemotron 3.5, за чиито езикови модели за локална работа писахме миналата седмица. Новият член е специализиран за реч. Той приема запис с продължителност до един час, слага пунктуация и главни букви, а при нужда добавя времеви отметки за всяка дума и етикети кой говори. Според TechCrunch различава до осем говорители в един запис.
Моделът превежда и от и към английски за около 31 от 40-те езика, включително българския. Сред езиците, за които има само транскрипция без превод, са турски, виетнамски, индонезийски и норвежки.
| Характеристика | Nemotron 3.5 Transcribe |
|---|---|
| Езици за транскрипция | 40, включително български |
| Превод | от и към английски за около 31 езика |
| Максимална дължина на записа | 1 час |
| Размер | около 34 млрд. параметъра общо, от които около 4,3 млрд. активни |
| Препоръчан хардуер | една Nvidia H100 с 80 GB; поддържани са и RTX 5090, DGX Spark и др. |
| Лиценз | OpenMDW-1.1, позволява търговска употреба |
| Живо аудио | не се поддържа |
Колко точен е според Nvidia
В описанието на модела в Hugging Face Nvidia публикува собствени резултати. На английския набор от тестове Open ASR моделът греши средно в 4,71% от думите, при многоезичния вариант със седем езика – в 4,62%, а при записи с много говорители процентът на грешки скача до 15,8%. Компанията твърди, че изпреварва конкурентите в класацията Open ASR на Hugging Face, но това са нейни данни и все още няма независими сравнения за българска реч.
Заедно с модела Nvidia пусна и втората версия на Granary – отворен набор от речеви данни, както и инструментите NeMo Speech, с които разработчиците могат да научат модела на специфичен жаргон, например медицински или юридически термини на съответния език.
За кого е полезен и за кого още не
Това не е приложение, което сваляте на телефона. Моделът е предназначен за разработчици и компании, а за да работи, му трябва сериозна видеокарта – препоръката е сървърна H100, а най-достъпната поддържана карта в списъка е RTX 5090. Обикновените потребители ще го срещнат по-скоро вграден в услуги за протоколи от срещи, субтитри или архиви на интервюта.
За български фирми, медии и университети ползата е реална. Транскрипцията на български досега минаваше главно през облачни услуги, при които записите напускат компанията. С отворен модел записите на срещи, лекции или клиентски разговори могат да се обработват на собствен сървър – важно съображение при личните данни по GDPR. Подобна логика следват и локалните AI модели в Opera и офлайн бележникът Foresight на Google.
Защо е важно: пазарът на гласов AI се разраства бързо – само този месец Mistral пусна Voxtral 3, а ElevenLabs представи Realtime за гласови агенти. Ограничението на Nvidia е ясно: моделът не работи на живо, така че за субтитри в реално време ще трябват други решения. Още AI инструменти, които можете да пробвате, следим в рубриката „AI инструменти“.
