Nvidia, Third Intelligence i Tencent wprowadzają otwarte modele mowy na jedno GPU

Transkrypcję i tłumaczenie sprzedaje się najczęściej jako API w chmurze rozliczane za minutę. Dostawcy liczą za godzinę nagrania. Otwarte wagi, które działają na jednym GPU, zmieniają tę arytmetykę. Firma może przetwarzać nagrania u siebie i dostroić model do własnego żargonu, zamiast wysyłać pliki do dostawcy. Nie wiadomo natomiast, czy dokładność utrzymuje się poza testami dla angielskiego i mandaryńskiego, gdzie publikowane liczby wypadają najsłabiej.

Tylko jedno z nowych wydań obsługuje mowę na żywo. Interpreter Tencenta działa strumieniowo, model Nvidii na nagraniach.

Co faktycznie wydała Nvidia

Nemotron 3.5 Transcribe wykonuje transkrypcję, oznacza mówców, dodaje znaczniki czasu i tłumaczy w jednym przebiegu. Obsługuje 40 języków i rozpoznaje do ośmiu mówców. Nvidia zbudowała go jako mieszaninę ekspertów. Dwa opisy podają jego rozmiar inaczej: SiliconANGLE i MarkTechPost podają różne liczby parametrów łącznych i aktywnych. Dodatkowe wagi znajdują się w module przewidywania wielu tokenów i w częściach audio, wynika z raportu technicznego. Instrukcja tekstowa wybiera styl odpowiedzi dla każdego żądania. Firma pozycjonuje model jako specjalistę od transkrypcji, nie jako ogólnego asystenta.

Wagi są w BF16, FP8 przy około 35 GB i NVFP4 przy około 21 GB. Ten ostatni jest na tyle mały, że działa na RTX 5090.

Nvidia podaje, że GPU Blackwell Server Edition z precyzją NVFP4 i kompresją modelu do jednej czwartej przetwarza 100 godzin audio w niecałe trzy minuty. Model działa też na komputerze brzegowym Jetson AGX Thor albo na desktopie DGX Spark, od mózgu robota po podzespół centrum danych. Nvidia rozszerzyła swój zestaw danych mowy Granary do wersji 2: 463 062 godzin w 48 językach i z 16 korpusów źródłowych, wobec 25 języków w wersji 1. Ten zbiór jest niezależny od mieszanki treningowej modelu, zauważa SiliconANGLE.

Twierdzenia o testach i ich granice

Nvidia podaje 4,71% średniego współczynnika błędów słów na dziewięciu publicznych angielskich zestawach Open ASR, wobec 4,94% dla następnego otwartego modelu, Qwen3-ASR-1.7B. Siedem systemów komercyjnych wciąż jest na czele tej tabeli, na czele z OtterAI speech-v3.1 z 3,88%. Na siedmiu zestawach wielojęzycznych model podaje 4,62% średniego WER wobec 6,49% dla Qwen3-ASR-1.7B, a ElevenLabs Scribe v2 osiąga 3,56%. Wszystkie te liczby deklaruje sam producent.

Najsłabsza publikowana liczba to 34,95% cpCER na AliMeeting, mandaryńskich spotkaniach z odległym mikrofonem. Dla porównania średnia dla angielskiego wynosi 4,71%.

SiliconANGLE podaje inny zestaw liczb z tej samej premiery. Cytuje 30,8% błędu bez dostrajania, który spada do 20,8% przy starannym promptowaniu. Podaje też 11,8% współczynnika błędów słów na indyjskim medycznym teście mowy Eka Care po dostrojeniu. Oba opisy podają różne wskaźniki błędów dla tego samego modelu i żaden nie wyjaśnia różnicy.

Jedna liczba wskazuje w przeciwnym kierunku. Podanie modelowi listy encji obniżyło współczynnik błędów słów w nazwach własnych na ContextASR-Bench z 12,21% do 2,20%.

Małe modele, jeden język

Haas-ja-v1.0 to inny zakład: 615,8 mln parametrów i jeden język zamiast 40. GIGAZINE podaje, że model wypadł lepiej w transkrypcji japońskiego niż komercyjny Gemini 3.5 transcribe i najlepiej wśród modeli otwartych, które redakcja sprawdziła. W jej własnym teście model przepisał 4 minuty 19 sekund audio w 0,32 sekundy od zakończenia przesyłania, a część nazw własnych wymagała ręcznej korekty. Wagi są na Hugging Face, a kod wnioskowania na GitHubie.

Wykres kosztów GIGAZINE stawia Haas-ja-v1.0 na najniższym koszcie wnioskowania wśród modeli o porównywalnej dokładności. Porównanie opiera się na opłatach za komercyjne API i wnioskowania na H200 w Japonii.

Hy-SimulMT Tencenta celuje w symultaniczne tłumaczenie chińsko-angielskie, z opóźnieniem strumieniowania około trzech sekund w długim teście RealSI. Tencent twierdzi, że jego oceny jakości tłumaczenia przewyższyły inne modele open source i cztery z pięciu porównywanych komercyjnych API. Wydanie zawiera wagi, oprogramowanie do wnioskowania i narzędzia treningowe.

Na platformach Apple pakiet AnySpeechRecognizer obejmuje Parakeet TDT 0.6B v3 od Nvidii i Qwen3-ASR od Alibaby. Parakeet obsługuje 25 języków europejskich. Qwen3-ASR występuje w wersjach 0,6 mld i 1,7 mld parametrów i obsługuje 30 języków oraz 22 chińskie dialekty.