Nemotron 3.5 Transcribe: текст, перевод и говорящие

Расшифровка интервью часто требует больше, чем списка услышанных слов. Редактору нужны имена участников, понятные смены говорящих, правильные термины и иногда перевод. В материале NVIDIA от 28 октября Nemotron 3.5 Transcribe представлен как одна модель для нескольких таких задач, а Granary v2 — как данные и инструменты подготовки и адаптации.

Какие возможности заявлены

По данным авторов, модель поддерживает транскрипцию 40 языков, перевод между английским и 31 языком, а разметку говорящих — для 13 языков. В статье указаны записи до одного часа и до восьми говорящих. Это разные списки поддержки: наличие языка в транскрипции не означает автоматически его наличие во всех остальных режимах.

Модель также принимает текстовую инструкцию, которая направляет обработку: например, получить расшифровку с участниками, перевод или ответы на вопросы по аудио. Такие запросы не следует оценивать одним общим впечатлением. Точный текст, верные метки участников и правильный ответ о содержании встречи — разные критерии.

С чего начать проверку на своих записях

Для первого опыта выберите короткий характерный фрагмент, а не сразу часовое интервью. Подготовьте ручной эталон: важные фразы, имена, числа и моменты смены голоса. Сначала попросите расшифровку на языке оригинала. Затем отдельным заданием добавьте говорящих или перевод. Так проще увидеть, какая часть процесса вносит ошибку.

Редакционный пример — разговор с редкими названиями инструментов. Можно передать список ожидаемых терминов как контекст, но затем проверить, действительно ли каждый термин прозвучал. Подсказка предназначена для правильного написания, а не для добавления в запись несуществующих слов. Это методика проверки, не отчёт о нашем запуске модели.

Как оценивать результат

• Сравните пропуски и замены слов с ручным эталоном.
• Отдельно проверьте имена, числа, единицы и специальную лексику.
• Для диаризации оцените смены участников, особенно при перебиваниях.
• При переводе проверьте смысл, отрицания и то, кто произнёс утверждение.
• Ответы на вопросы по записи сопоставьте с конкретными фрагментами аудио.

Если расшифровка выглядит гладко, это ещё не означает, что она верна. Для публикации интервью важнее сохранить смысл и участников, чем получить литературно отредактированный текст с незаметными заменами.

Роль Granary v2

В источнике Granary v2 описан как многоязычные данные и воспроизводимый процесс подготовки материалов для обучения. Он дополняется инструментами NeMo Speech для адаптации под словарь и особенности речи. Это следующий, более сложный этап после проверки модели с текстовым контекстом.

Редакционная рекомендация: сначала измерить повторяющиеся ошибки на небольшой выборке. Если проблема сводится к нескольким терминам, стоит проверить контекстные инструкции. Если ошибки устойчивы для предметной области или акцента, тогда есть предметный вопрос об адаптации. Само наличие набора данных не делает дообучение мгновенным или бесплатным.

Ограничения выводов и затрат

Показатели скорости и качества в статье получены поставщиком на определённых данных и оборудовании. Их нельзя переносить без проверки на домашний компьютер, длинные записи и одновременные запросы другой нагрузки. Открытые веса также не отменяют вычислительные расходы: локально требуется оборудование, при размещении — ресурсы выбранного сервиса.

Для этой публикации платный тест не выполнялся. Материал объясняет возможности и способ их проверки; доступность Nemotron 3.5 Transcribe в VIZURAI необходимо устанавливать отдельно. Первичный результат для редакции — собственная небольшая контрольная выборка с понятными ошибками и стоимостью обработки.