NVIDIA выпустила в опенсорс лучшую модель для распознавания речи — она разбирает голоса, даже когда люди спорят друг с другом 😨

Nemotron 3 Diarization умеет определять, кто и когда говорит, даже если несколько человек перебивают друг друга. Всего модель для диаризации поддерживает разговоры до восьми (!) участников, в том числе в реальном времени.

В бенче на распознавание она, как вы понимаете, стала лучшей: доля ошибок всего 14% — это на 24% ниже ближайшего конкурента. Причём модель довольно компактная, всего 100 млн параметров.

HF и демо тут 👍

@xor_journal