GitHub-радар
Расшифровка аудио на своей машине: текст с таймкодами и говорящими
Nvidia выпустила офлайн-модель, которая превращает запись голоса в точный текст — с метками говорящих и таймкодами, прямо на твоей машине, без облака.
01nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B 51424k загрузок/мес34B параметровautomatic-speech-recognition
Модель распознавания речи от Nvidia: слушает аудио и возвращает текст — разговаривать она не умеет.
Когда пригодится
Пригодится для расшифровки звонков, интервью и совещаний на нескольких языках офлайн; не подойдёт для обычного ноутбука и для разговора в реальном времени.
Плюсы
- Понимает 40 языков, включая редкие
- Разделяет говорящих и расставляет точные таймкоды
- Берёт до часа записи за один проход
- Работает локально, без платных облачных сервисов
Минусы
- Нужен Mac от 64 ГБ памяти или видеокарта на 48 ГБ
- Даже сжатая версия весит около 20 ГБ
- Это не распознавание речи в реальном времени
Как поставить — по шагам
- 1Открой агента для написания кода в папке своего проекта.
- 2Отправь агенту текст из блока ниже.
- 3Дождись, пока агент подберёт версию модели под твоё железо и развернёт её.
- 4Дай агенту аудиофайл с несколькими говорящими для проверки.
- 5Проверь, что в ответе есть текст, метки говорящих и таймкоды.
Текст для агента
Текст для шага с агентом — скопируй и отправь (Claude Code, Codex, любой):
Разверни мне модель Nvidia Nemotron 3.5 Transcribe: https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B — подбери версию под моё железо и покажи, как дать ей аудиозапись с несколькими говорящими и получить расшифровку с таймкодами.
Нужен Mac от 64 ГБ памяти или видеокарта на 48 ГБ: даже сжатая версия занимает около 20 ГБ, исходная — около 67 ГБ. Обычный ноутбук не возьмёт.
Открыть на Hugging Face▌ Ещё находки