Про кіно, нові інструменти й режисерські рішення.

Інструменти / Аналіз

З Rumble-2-Flash редактор сам вирішує, чи залишати «е-е» в розшифровці

Модель на пів мільярда параметрів підтримує понад 40 мов. Окремо можна налаштовувати слова-паразити, повтори та запис чисел.

Червоний олівець піднімає паперову смужку з написом «um» з металевого монтажного преса. На темному тлі ліворуч — KEEP THE PAUSE.
DU / SIGNALS · S/131Редакційна ілюстрація Signals, створена в Google Flow

Коли співрозмовник каже «я, я думаю», повтор може передавати вагання. Журналістові знадобиться точний ритм відповіді, а авторові субтитрів — короткий рядок, який глядач встигне прочитати. У Rumble-2-Flash спосіб запису можна обрати заздалегідь. 18 листопада Reson8 опублікувала ваги моделі розпізнавання мовлення на 0,5 мільярда параметрів за ліцензією Apache 2.0.

Два налаштування для різних видів вагання

Звуки на кшталт «е-е» та повторені слова мають окремі налаштування. За замовчуванням модель прибирає заповнювачі пауз, але зберігає повтори. Якщо ввімкнути обидва параметри, текст точніше передаватиме манеру мовлення. Якщо вимкнути обидва, вийде чистіша чернетка для читання. Ще один перемикач визначає, чи записувати числа цифрами, чи словами. Усі варіанти доступні в одній моделі.

Rumble-2-Flash підтримує понад 40 мов. Мову запису можна вказати або доручити моделі визначити її автоматично. Ваги працюють через Hugging Face Transformers і vLLM. Для архіву інтерв’ю це зручно: редактор один раз обирає правила розшифрування й відтворює їх на наступних записах.

Джерела: Reson8 [2] · Reson8 / Hugging Face [1]

Пакетна швидкість і складна розмова

Під час навчання менша модель пропонувала розшифровку, а більша Rumble-2 оцінювала її на кожному кроці. Опубліковані результати показують, наскільки важливий тип запису. В англомовній частині тесту частка помилок у словах становила 3,71% на закритій вибірці підготовленого мовлення та 13,14% на закритій вибірці розмов. Навіть акуратно записану фразу варто звіряти з голосом.

Найвищу швидкість команда отримала під час обробки повних пакетів аудіо. Цей вимір показує, скільки матеріалу система опрацьовує сумарно. Для архіву записаних інтерв’ю це корисна величина. Для субтитрів наживо важливішим був би інший вимір — скільки минає від вимовленого слова до його появи на екрані.

Джерела: Reson8 / Hugging Face [1] · Reson8 [2]

RESON8 / TRAINING DIAGRAM

Як менша модель навчається на власній розшифровці

Схема Reson8 показує, як менша модель розшифровує запис, а більша оцінює послідовність токенів.
Автор / Reson8Відкрити оригінал 

За схемою навчання Reson8, менша модель пропонує власний текст, а більша оцінює варіанти на кожному кроці.

ДЖЕРЕЛА ТА МЕТОД

Що стоїть за цим матеріалом

Перевірено 19 листопада 2026 р.. Технічні твердження спираються на документацію розробників; відео підписані іменами авторів. Заяви компаній та сторонні огляди наведені з посиланнями на джерела; висновки є редакційним аналізом. Власних порівняльних випробувань цих релізів для статті не проводили.

  1. Rumble-2-Flash — an open 0.5B speech model for 40+ languages Reson8 / Hugging Face
  2. Rumble-2-Flash model card and weights Reson8