GitHub-радар
Расшифровка речи в текст на ноутбуке, без видеокарты
Облегчённая версия модели распознавания речи NVIDIA весит меньше 200 мегабайт и быстро работает на одном процессоре — расшифровывает подкасты и видео на 25 языках без облака и подписки.
Parakeet Redux — облегчённая версия модели распознавания речи parakeet-tdt-0.6b-v3 от NVIDIA. Выпустила её команда Moondream. Архитектура и словарь токенов те же, что у оригинала. Но веса энкодера сжаты до трёх значений на параметр — минус один, ноль или плюс один. Из-за этого модель весит около 178 мегабайт вместо 1,2 гигабайта у оригинала. Она распознаёт речь на 25 языках, включая русский, и умеет отдавать текст с таймкодами по предложениям и по отдельным словам. На восьми ядрах обычного процессора авторы измерили скорость 113 раз быстрее реального времени — без видеокарты. По точности на английском модель близка к оригиналу NVIDIA. На многоязычном тесте и на длинных записях она даже точнее его. В шумной обстановке разрыв с оригиналом шире, чем на чистой записи — это авторы отмечают честно.
Зачем это вайб-кодеру
Если вайб-кодер собирает контент из видео и подкастов, расшифровка речи в текст обычно первый шаг. Обычно это либо платный облачный сервис, либо тяжёлая модель, которая грузит видеокарту. Эта модель настолько компактная и быстрая, что расшифровку можно гонять локально и пачками, не отправляя аудио в чужое облако. Для чистой речи — подкасты, интервью, лекции — качество близко к полноразмерной модели NVIDIA. Для шумных записей стоит рассчитывать на больше ошибок и проверять результат.
Как поставить
Скопируйте и отправьте своему агенту — Claude Code, Codex, любому:
Поставь мне локально модель распознавания речи Parakeet Redux от Moondream: https://huggingface.co/moondream/parakeet-redux — через библиотеку moondream, запусти транскрибацию тестового аудиофайла и покажи результат с таймкодами.
Обычный ноутбук, видеокарта не нужна — модель весит около 180 МБ и быстро работает на одном процессоре.
Открыть на Hugging Face▌ Ещё находки