Лучшую модель для распознавания речи дропнули в опенсорс — спецы из NVIDIA выкатили Nemotron 3 Diarization.

Она разбирает голоса даже в дорожках, где люди спорят друг с другом, и умеет определять, кто и когда говорит.

Всего модель для диаризации поддерживает разговоры до 8️⃣ участников. Это лучшие показатели по бенчам среди всех моделей такого типа: доля ошибок 14% — на 24% ниже ближайшего конкурента.

Модель всего на 100 млн параметров и много мощностей не требует. Ну и да:
🔤🔤🔤🔤🔤🔤🔤🔤🔤

Тестим демо тут.

🙂 Не баг, а фича