Так вот. На ЕС1036 мы не только оттачивали Фортран, Бейсик и Паскаль, но ещё и баловались, блокируя рабочие места в дисплейный классе, составляя нехитрые программки с паролями, имитирующие вход в систему. Тогда я узнал команду "ехес". Однокурсники в это время начали массово паять свои спектрумы: Ленинград, Харьков, и прочие. Кто в теме, тот знает. Меня они как-то не зацепили, разве что поиграть, но загрузка с магнитофона по 5-10 минут без гарантии результата не вдохновляли (флопик на 5 дюймов считался чем-то мистическим и недостижимым). К тому дико бесил "бордюр", занимающий треть экрана телевизора.

Это было предисловие.

Защитил диплом радиоинженера и поехал по распределению в славный город Читу. И вот в свой первый отпуск лечу через Москву (начало 90-х), не помню уже как (скорее всего просто рейс в родной город был только на следующий день), но на ночь попадаю в "офис" в двухкомнатной квартире двоюродных братьев отца. Там, о май гад! 486 с цветными мониторами и мышками!!! Нортон коммандер и мне включают Dune2, рядом кухня безлимитным кофе. Надо ли говорить, что в ту ночь я не спал? Дюна, кстати, стала любовью на всю жизнь. Начиная от игр и заканчивая полным прочтением всей эпопеи. Он

Это был мой первый контакт с ПК.

Собственный компьютер лейтенант в 90-х себе позволить никак не мог, если он не служил в тыловых частях (тут бы самому выжить и семью как-то прокормить, не до жиру в общем). Поэтому в нарядах бегал ночью в кабинет начштаба, где гордо возвышался Pentium 100, и гонял квадратики, раздевая барышень. Ах да, там уже стояла win95, заодно познакомился в ее проводником. А исполнительные файлы всё также были с расширением .ехе!!! Ну прям как в бейсике!)))

В 2000-м уволился и поступил на другую государственную службу, где уже на каждом рабочем месте был РС!

Дежурства были посуточно, и ночные крики сквозь сон "на нас напали!" впечатались навсегда. А также дневные WWP, NFS Porsche и другие ништяки.

После года этой службы у меня появились свободные деньги, и я задумался, что мне нужно? Так как компьютера мне хватало на работе, а нужны мне были только игры, свой первый выбор я сделал в пользу Sony PS. Тупо играть довольно быстро надоело и за советом я пошёл к своему другу-коллеге-соседу Витьку! Витёк был крут: у него был пентиум 2 и 17" монитор. Плюс штук 50 всяких CD. Его совет: атлон х1500 и 256 МБ оперативки. Ну ок! Поехал в магазин, попросил мне собрать такое, плюс хард на 120 Гб, сд-ром Сони, видео уже не помню, какая-то нвидиа. Клава, мышь и б/у монитор на 15". На всё это великолепие была установлена 98SE. Потом были "реаниматоры", витуха, прокинутая через окна к Витьку в соседний подъезд..

Это опять преамбула)))

Как-то Витек уговорил меня установить ХР, которая только появилась. Вот не понравилась она мне и захотел я вернуть 98. Диск у меня уже был.

Вот честно, не помню, откуда я узнал команды DOS! Но уставить 98 могу хоть сейчас! Тогда же научился ставить драйвера, даже если они не всегда хотели устанавливаться.

Потом был первый выход в интернет через gprs siemens s55. В общем затянуло конкретно. Через два года я уже сам собрал себе комп на первом в истории атлон х64 2600.

Сейчас давно оскуфился: планшет (с него и пишу), для чего-то более тяжёлого приходится открывать старенький HP Probook G450 gen.3, а уж комп весом в 17 кг последний раз включали, когда жена в ковид на удалёнке работала. Безвентиляторный core i5 лежит на шкафу рядом с роутером и изображает из себя домашний сервер.

По роду деятельности хватает забот с откровенным старьем на работе: станки и линии от 2002 года. Айтишники наши 98 и Миллениум в глаза не видели. ХР установить могут, но вот ПО запустить на нем не всегда. Поэтому лучше всё сделать самому. Хотя справедливости ради, последнюю Миллениум поменял на 7. С небольшими танцами софт итальянского станка заработал на семерке. Так и живём.

UPD. Но и это ещё не всё. Мой папа, 1946 года рождения, при выходе на пенсию тоже увлекся компами. Сначала купил себе стационарник, а потом ноут и кучу литературы. В результате, винда ему быстро надоела, и папа нырнул в зоопарк линукса,. Говорит, что тот интереснее. Сейчас минт и убунта стоят у него вторыми ОС. Сам внедрил в комп ssd.

На майские ездил к родителям. Разговорились. Говорит, что если поиграть, запускаю винду, если что-то рассчитать, напечатать или пошариться по интернету, то Линукс. Он шустрее.

Меня зовут Илья, я основатель сервиса для генерации изображений ArtGeneration.me, блогер и просто фанат нейросетей. А ещё я собрал портативную версию VibeVoice ASR под Windows и успел её как следует протестировать.

Я сам пользуюсь Whisper уже много лет — делаю транскрипции своих видео, чтобы потом собрать оглавление для YouTube и использовать материал в текстовых статьях. И скажу честно — никогда не был полностью доволен результатом. Да, Whisper быстрый. Но на этом его достоинства для меня заканчивались.

Поэтому к изучению VibeVoice ASR я подошёл со всей ответственностью — протестировал на разных записях, сравнил качество, покрутил настройки.

Главная особенность системы в том, что она обрабатывает до 60 минут аудио за один проход без нарезки на чанки. На выходе — структурированная транскрипция с указанием кто говорит, когда и что именно сказал. И всё это работает локально на вашем компьютере.

Как это работает

В основе VibeVoice-ASR лежит архитектура на базе Qwen 2.5 (~9 млрд параметров). Ключевая инновация — двойная система токенизации с ультранизким frame rate 7.5 Hz: акустический и семантический токенизаторы.

Такой подход позволяет модели работать с контекстным окном в 64K токенов — это и даёт возможность обрабатывать целый час аудио без потери контекста. Для сравнения: Whisper режет аудио на 30-секундные кусочки и теряет связность на границах сегментов.

На выходе модель генерирует Rich Transcription — структурированный поток с тремя компонентами:

[{"Start":0,"End":1.51,"Content":"[Environmental Sounds]"},

{"Start":1.51,"End":7.49,"Speaker":0,"Content":"У неё преждевременное сохранять невозможно, родила, начала сразу родильная деятельность."},

{"Start":7.51,"End":9.41,"Speaker":1,"Content":"Марина, что с ней?"},

{"Start":10.28,"End":16.22,"Speaker":0,"Content":"У неё преждевременное сохранять невозможно, отошли годы, начала, начала сразу родовая деятельность."},

{"Start":16.22,"End":18.02,"Speaker":1,"Content":"Марина, что с ней?"},

{"Start":18.13,"End":27.94,"Speaker":0,"Content":"Она рожает, привезли в ближайшую больницу родовую. В каком состоянии ребёнок ещё хуже, срок маленький."},

Помимо спикеров, модель размечает неречевые события: [Music], [Silence], [Noise], [Human Sounds] (смех, кашель), [Environmental Sounds], [Unintelligible Speech]. Это сделано чтобы модель не галлюцинировала текст во время пауз или фоновой музыки.

Возможности VibeVoice ASR

• Обработка длинных записей: до 60 минут аудио за один проход без потери контекста. Идеально для митингов, подкастов, лекций.

• Диаризация спикеров: автоматическое определение кто говорит в каждый момент времени. Работает на записях с несколькими участниками.

• Временные метки: точные таймкоды для каждого сегмента речи. Готовый материал для субтитров.

• Customized Hotwords: вот что меня реально зацепило — возможность задать пользовательский контекст. Перед распознаванием указываешь список слов: фамилии, названия продуктов, термины, сокращения. Всё то, что обычно произносится нестандартно и превращается в кашу. Если в видео часто звучит "ArtGeneration" или "НЕЙРО-СОФТ" — просто добавляешь в контекст, и модель ВСЕГДА распознаёт корректно. Для технического контента — просто спасение.

• 51 язык: включая русский, хотя основной фокус на английском и китайском.

Модели

Помимо оригинальной модели от Microsoft, сообщество уже сделало квантованные версии для видеокарт с меньшим объёмом памяти.

Полная модель — microsoft/VibeVoice-ASR Размер 17.3 GB, требует ~8 ГБ VRAM. Лучшее качество распознавания.

4-bit квантизация — scerz/VibeVoice-ASR-4bit Требует ~4 ГБ VRAM, немного медленнее. Подходит для видеокарт с меньшим объёмом памяти.

В моей портативке доступны обе версии — можно выбрать прямо в интерфейсе. Также есть эмуляция 4-bit квантизации для полной модели, если хотите попробовать оригинал, но памяти впритык.

Текущие ограничения

К сожалению, не все задачи система решает одинаково хорошо:

• Перекрывающаяся речь: если два человека говорят одновременно, модель не разделит их корректно.

• Короткие фрагменты: диаризация плохо работает на высказываниях менее 1 секунды.

• Только batch processing: нет real-time режима, только обработка готовых файлов.

• Ресурсоёмкость: требует достаточно мощную видеокарту для комфортной работы.

Кому это пригодится

Подкастерам и интервьюерам: автоматические субтитры с разделением спикеров. Загрузили часовой выпуск — получили готовую разметку.

Создателям контента: генерация SRT-субтитров для YouTube без ручного тайм-кодирования.

Бизнес-аналитикам: транскрипция часовых созвонов и совещаний с сохранением контекста и указанием кто что говорил.

Разработчикам: base model для файнтюнинга под специфичные домены — медицина, юриспруденция, техподдержка.

Как попробовать

Онлайн-демо

Онлайн-демо: https://4e47b675ea4015a607.gradio.live/

Официальное демо от Microsoft — можно потестить прямо сейчас без установки.

Установка с Github

Официальный GitHub: https://github.com/microsoft/VibeVoice

HuggingFace модель: https://huggingface.co/microsoft/VibeVoice-ASR

Портативная версия

Я с каналом Нейро-Софт подготовил портативную сборку VibeVoice ASR Portable RU. В ней:

• Русифицированный интерфейс

• Установка в один клик (install.bat)

• Поддержка полной и 4-bit моделей

• Парсер результатов с фильтрацией — можно отдельно включать/выключать временные метки, спикеров, дескрипторы (музыка, шум, тишина). Удобно когда нужен только чистый текст без разметки

• Фильтр по спикерам — можно вывести текст только конкретного участника разговора

• Выбор видеокарты и установка нужной версии CUDA

• Flash Attention 2 для RTX 30xx/40xx/50xx

• Поддержка всех форматов аудио и видео через FFmpeg

• Тёмная тема интерфейса

Всё необходимое уже включено в дистрибутив, просто распакуйте и запускайте, есть версия с готовым окружением под win 11 и RTX4090. Забирайте архив тут.

Или установите с GitHub: https://github.com/timoncool/VibeVoice_ASR_portable_ru

Системные требования

• NVIDIA GPU с 8+ ГБ видеопамяти (или 4+ ГБ для 4-bit модели)

• Windows 10/11 64-bit

• 16 ГБ оперативной памяти

• 10 ГБ свободного места на диске

Распакуйте в любую папку (путь без кириллицы), запустите install.bat, выберите видеокарту из списка. Модели скачаются при первом запуске.

Рассказывайте в комментариях как вы могли бы использовать такой инструмент и чего не хватает.

Я рассказываю больше о нейросетях у себя на YouTube, в Телеграм и на Бусти. Буду рад вашей подписке и поддержке. На канал Нейро-Софт тоже подпишитесь, чтобы не пропустить полезные репаки. Всех обнял. Удачных транскрипций!