NVIDIA представила Nemotron 3.5 ASR: потоковое распознавание речи на 40 языках с открытой лицензией.
NVIDIA опубликовала Nemotron 3.5 ASR Streaming — модель для потокового распознавания речи, насчитывающую всего 0,6 миллиарда параметров. Одна контрольная точка поддерживает 40 языков, включая русский, а лицензия является открытой и разрешает коммерческое использование.
Ключевая особенность новинки заключается в архитектуре cache-aware streaming: каждый фрагмент аудио обрабатывается однократно, без постоянного пересчёта буфера. Благодаря этому одна видеокарта H100 справляется с 240 параллельными потоками против 14 у модели Parakeet. Задержку можно настраивать в диапазоне от 80 миллисекунд до 1,1 секунды непосредственно во время инференса. Показатель WER для русского языка составляет около 9% на длинных фрагментах. В свежем независимом исследовании Microsoft эта модель продемонстрировала лучший потоковый WER и самую низкую задержку среди протестированных решений, включая Parakeet и Qwen3-ASR.
По совокупности характеристик модель занимает очень выгодную позицию по соотношению скорости и качества применительно к русскому языку. Расстановка пунктуации и заглавных букв корректна, что обеспечивает чёткий транскрипт, который отлично подходит для дальнейшей обработки с помощью ИИ. Модель также способна самостоятельно определять язык без отдельного модуля идентификации, позволяя быстро понять содержание любой аудиозаписи.
Ещё новости:
