Ответачка Метачки

Meta показала (но не бахнула) VR-очки за $1299, которые весят всего около 100 г.

И как тебе такое, Эппле-Маска?

Фокус простой: Meta вынесла процессор, батарею, память и основную электронику в отдельный внешний пак на кабеле. Сам пак весит около 300 г, так что вся система - примерно 400 г, но на кожаном лице остаются только 100 г.

Для сравнения, актуальный Apple Vision Pro M5 весит примерно 750-800 г на голове плюс отдельная батарея 353 г. Конец шейному отделу. То есть именно нагрузка на голову у Meta меньше примерно в 7-8 раз.

И стоит устройство $1299 против $3499 у Apple.

Фанаты Эппле тихо выли два года назад - вот следующая версия будет легче и дешевле (с надеждой).

Палучите.

Внутри два micro-OLED-дисплея 2412 x 2288 на глаз, до 120 Гц и около 37 PPD. По количеству пикселей Vision Pro впереди примерно вдвое, но Марк Гурман после демо пишет, что визуально картинка Meta уже довольно близка к Apple.

Главная жертва ради компактности - поле зрения. У Meta всего около 70x66 градусов против примерно 110x96 у Quest 3. То есть это не радикальный immersive VR, а скорее ставка на лёгкость, резкость и длительную работу.

(Эппле намеренно не публикует точного FOV, потому что он зависит от Light Seal, положения глаз и посадки. Независимые оценки обычно дают примерно 100x73, хотя измерения с более тонким Light Seal доходят примерно до 112x78-82)

Управление тоже очень в духе Vision Pro: глаза, руки, pinch-жесты, голос. Но есть интересная фишка - обычный стол можно превратить в виртуальную клавиатуру и трекпад. По отзывам журналистов, работает неожиданно хорошо.

Meta также обещает кино, несколько виртуальных мониторов, Quest-игры, Xbox Cloud Gaming, Dolby Vision/Atmos, IMAX Enhanced и свои Hologram-видеозвонки.

И тут у меня главный вопрос (опять) - а зачем?!?! Зачем вот это вот все за 1200 баксов? Смотреть Нетфликс и Киновотч?

Доля виар-гемеров - ничтожна среди нормального кожаного населения.

Голографические звонки - серьезно?

Зачем мне надевать эту байду на голову и носить в кармане горячий блок, облучающий мои тестикулы\яичники??

За время, прошедшее со времени фиаско с лыжной маской от Эппле, кожаные так и не придумали применения такого рода девайсам ДЛЯ МАССОВОГО ПРИМЕНЕНИЯ. В бизнесе (тренажеры, обучение, медицина) - да. А для людей с улицы - зачем, кроме просмотра кино и игрушек??

Ожидаю фиаско, но с более длинным хвостом. Часть Qвестовиков проапгрейдится (+400% к цене), а часть такая - 1200? - идите лесом.


Ссылки:
https://about.fb.com/news/2026/09/introducing-meta-vr-glasses-3d-movies-immersive-live-sports-100-grams/
https://www.theverge.com/tech/999517/meta-vr-glasses-connect-2026-hands-on
https://www.engadget.com/2267222/meta-vr-glasses-hands-on-hand-tracking/
https://www.uploadvr.com/meta-vr-glasses-officially-announced-connect-2026/

@cgevent

#Сеня_и_Даня_Здесь_Были

Время вечерней молитвы. А то в выходные вы расслабились без дедулиных постов.

За что вам это, вы помните.

Это не Сиданский, кстати, то Минимаксевич.

@cgevent

TrackGleam: мастеринг для Suno

Схема такая:
Suno -> готовый WAV -> TrackGleam -> финальный мастер.

TrackGleam берёт уже сгенерированный трек и пытается привести его в более аккуратный, плотный и «релизный» вид.

Что он умеет делать после Suno:

corrective EQ - поправляет общий частотный баланс;
dynamic EQ - давит проблемные частоты только тогда, когда они реально выпирают;
multiband compression - отдельно контролирует низ, середину и верх;
glue/parallel compression - делает микс более собранным;
upward compression - подтягивает тихие детали;
de-harsh - убирает неприятную резкость, особенно в верхней середине;
harmonic saturation / exciter - добавляет плотность и гармоники;
transient shaping - подчёркивает или сглаживает атаку ударных и других транзиентов;
stereo width и M/S processing - приводит в порядок стереобазу и центр;
soft clipping - аккуратно снимает пики;
true-peak limiting - доводит финальную громкость без вылета за пики;
dithering - корректно готовит файл к финальному экспорту.

Для AI-музики есть отдельные режимы AI Fix Gentle и AI Fix Strong.

Их задача - как раз бороться с ПЕСКОМ типичными артефактами генераторов: жёстким верхом, стеклянной серединой, неприятными сибилянтами, грязноватым tonal balance и слишком агрессивной компрессией.

При этом базовый режим бесплатный:
без регистрации;
без watermark;
можно скачать WAV;
обработка идёт прямо в браузере;
по заявлению разработчика, сам аудиофайл в бесплатном режиме на сервер не отправляется.

Есть и платный GleamAI с более индивидуальным подбором обработки.

Ссылки:

https://trackgleam.com/
https://trackgleam.com/pricing

@cgevent

Вот это работа!

И - Идея
С - Сценарий
М - Монтаж

Нейропржарщегам на заметку.

@cgevent

Seedance NSFW

Похоже мы имеем дело не с ТОЛЬКО с отдельной порнографической моделью ByteDance, но и с куда более интересной схемой.

Попросил друга исследовать вопрос подробно. Получилось для гиков.

Спойлер: да, есть порно-сиданс-модель, см пункт 8. Но только для энтерпрайза.

Для остальных - пункт 9 и чтение простыни.

Итак.

1. BytePlus действительно позволяет отключать часть модерации

В официальном ModelArk есть Content Filter. Он проверяет вход и выход модели, в том числе категории Nudity и Sexual Content.

И этот фильтр владелец inference endpoint (API провайдер) может отключить.

То есть у BytePlus safety - это не один намертво вшитый фильтр. Есть как минимум отдельный конфигурируемый слой модерации.

Но даже после его отключения остаются базовые safety policies самой платформы.

2. Значит ли это, что Seedance становится полностью uncensored?

Не совсем.

У BytePlus фактически два уровня:

входной Content Filter -> генерация Seedance -> output/model moderation.

Первый слой можно ослабить или отключить. Второй частично остаётся.

Поэтому правильнее говорить не «uncensored Seedance», а «Seedance с менее строгой конфигурацией moderation».

3. Самая интересная находка - Ofox

Ofox вообще не создаёт отдельную модель seedance-2.5-nsfw.

У них модель остаётся обычной:

bytedance/seedance-2.5

Но можно выбрать provider:

volcengine

или

byteplus

И в документации прямо указано, что Volcengine использует обычную строгую moderation, а BytePlus route допускает контент категории not-for-all-audiences / NSFW.

То есть модель одна и та же.

Меняется только маршрут.


4. А другие API просто прячут эту схему под отдельным model ID (но это не модель, а маршрут)

Например, Modelflare показывает:

seedance-2.5

и

seedance-2.5-nsfw

При этом у них одинаковые API endpoint, параметры, длительность, разрешения, reference workflow и общая схема вызова.

Фактически меняется только model ID.

Очень похоже, что -nsfw здесь - просто alias, который внутри выбирает другой provider или другую moderation configuration.

5. MeToken даёт ещё более интересный пример

В их документации есть реальный ответ API:

model: seedance-2-5-nsfw

и одновременно:

provider: byteplus

То есть пользователь вызывает якобы отдельную NSFW-модель, а дальше запрос уходит именно в BytePlus.

Это прекрасно укладывается в схему:

клиент -> API-агрегатор -> NSFW alias -> специальный BytePlus route -> обычный Seedance.

6. Поэтому реальная архитектура, скорее всего, выглядит примерно так

Для озабоченных нищебродов Seedance один. Для бизнеса - другая история и цены.

А дальше есть разные способы его употребления:

Volcengine route -> более строгая moderation.

BytePlus route -> другая moderation policy.

Внутри BytePlus ещё может быть отключаемый Content Filter, entitlement аккаунта и другие настройки.

А агрегаторы превращают всё это в красивые названия:

seedance-2.5

seedance-2.5-official

seedance-2.5-nsfw

seedance-2.5-self-developed

seedance-2.5-self-developed-nsfw

И это вовсе не обязательно пять разных чекпойнтов. Это вполне могут быть пять presets одной инфраструктуры.

7. А что с Moderation.Strategy = Skip

Вот здесь важное уточнение.

Официально BytePlus подтверждает возможность отключения Content Filter.

А несколько интеграторов BytePlus документируют ещё параметр:

Moderation.Strategy = "Skip"

который позволяет пропустить большую часть дополнительной pre-moderation.

Причём у некоторых API этот режим доступен не всем и может возвращать ошибку вроде:

moderation_skip_not_allowed

То есть очень похоже, что тут существует отдельный entitlement для определённых клиентов.

Но я пока не нашёл текущую публичную страницу BytePlus API Reference, где этот Strategy=Skip был бы прямо задокументирован самой BytePlus для всех пользователей.

Поэтому:

отключаемый Content Filter - подтверждено самим BytePlus.

Moderation.Strategy=Skip - подтверждается интеграторами.

Доступность Skip всем клиентам - не подтверждена.

8. Настоящий порно-доступ к непотребной модели Сиданса.

Если очень надо, нужно связываться с BytePlus, иметь компанию и получать отдельный B2B access.

Подтверждено подписчиками.

9. И всё это можно довольно ловко проверить экспериментально самому

Ofox позволяет взять одну и ту же модель:

bytedance/seedance-2.5

один и тот же prompt,

те же reference,

те же duration/resolution,

и поменять только:

provider = volcengine

на

provider = byteplus

Если первый маршрут даст moderation rejection, а второй примет идентичный запрос, то мы фактически получим A/B-тест, показывающий, что различие находится в serving route и safety stack, а не обязательно в весах самой модели.

На итоге:

Существование более непотребного маршрута Seedance через BytePlus уже подтверждается сразу несколькими независимыми API-провайдерами и частично самой документацией BytePlus.


Ссылки для экспериментов:

https://ofox.ai/docs/api/videos/provider-routing

https://ofox.ai/models/bytedance/seedance-2.5


https://docs.byteplus.com/en/docs/modelark/Content_Pre-filter

https://ai.byteplus.com/en/help/article/why-was-my-request-rejected-for-sensitive-or-non-compliant-content-and-how-do-i-reduce-false-rejections

https://docs.byteplus.com/pt/docs/legal/acceptable_use_policy_byteplus_genai

https://docs.modelflare.dev/models/video/seedance-2-5-nsfw/

https://docs.modelflare.dev/models/video/seedance-2-5/

https://metoken.ai/docs

@cgevent

Получил с утра такое

Задумался, испытал затруднения с ответом.

Потом придумал:

- Ашоето?

@cgevent

У ChatGPT один из самых лучших транскрипшенов в мире.

Он реально хорош. Он вырезает паузы, он вырезает вот эти все: э-э, ну, ну и так далее. Он даже вырезает: "Нет, вот это или Нет, вот так" и вставляет то, что должно быть по смыслу.

То есть там не только транскрипция, но ещё и обработка того, что вы сказали. И он БЫСТРЫЙ.

Короче, я просто в восторге от него и даже начал писать утилиту, которая бы переключалась в ChatGPT, там надиктовывала и переключалась обратно куда-нибудь, где я пишу.

Но неожиданно нашлась неназначенная хоткей клавиша, которая позволяет включать так называемый диктейшн не только в ChatGPT, а вообще в любом приложении, по крайней мере на Windows. Соответственно можно стоять где-нибудь в Worde или в Notepad, нажать эту кнопку и надиктовать с помощью транскрипта какой-нибудь текст, и он будет вставлен прямо в то приложение, в котором вы его открыли.

Я назначил себе это на, грубо говоря, Control Shift Ф9, потом через PowerToys отмапил его на правый Alt и теперь лихо наговариваю в телеге или в заметках, или где угодно, ChatGPT это транскрибирует В ФОНЕ, я смотрю и, как правило, отправляю без редактирования.

Но.

В последней версии приложения для Windows по какой-то неизвестной причине настройки этого шортката исчезли. Но сам шорткат у меня работает. Я попросил ChatGPT Work прошерстить и файлы, и реестр, и всё что угодно на моём диске, он не нашёл, где приложение ChatGPT хранит настройки шорткатов.

Соответственно, челлендж: если сможете найти где это, дайте знать и заодно получите великолепный шорткат на транскрибирование с помощью ChatGPT в любом месте.

И да, наговорил, а потом почистил. Все равно у меня разговорный стиль.

UPDATE 2: Галя, у нас отмена. Ниже не читаем. Шорткаты нашлись в разделе Voice(?!?!) в настройках. Не в Keyboard ShortCuts, а в Voice(!). OpenAI это конечно те еще продукт дизайнеры.

UPDATE: нашлось тут - %USERPROFILE%\.codex\keybindings.json

У меня вот так:

[
{
"command": "composer.addFiles",
"key": "Ctrl+Q"
},
{
"command": "composer.addPhotos",
"key": "Ctrl+E"
},
{
"command": "globalDictationHold",
"key": "Ctrl+Shift+F9"
},
{
"command": "globalDictationToggle",
"key": null
},
{
"command": "hotkeyWindow",
"key": "Ctrl+Space"
},
{
"command": "realtimeVoice",
"key": "Ctrl+P"
}
]

Но в интерфейсе chatGPT globalDictationToggle я не вижу.

Как вернуть отдельную кнопку globalDictationToggle

Полностью закройте ChatGPT (включая иконку в трее Windows).

Откройте файл конфигурации: 📁 %USERPROFILE%\.codex\keybindings.json

Задайте отдельную комбинацию для globalDictationToggle (вместо "key": null):

json
[
  {
    "command": "globalDictationHold",
    "key": "Ctrl+Shift+F9"
  },
  {
    "command": "globalDictationToggle",
    "key": "Ctrl+Shift+F10"
  }
]

Сохраните файл и запустите ChatGPT. Теперь Ctrl+Shift+F10 (или выбранное вами сочетание) будет включать и выключать диктовку по одиночному нажатию без необходимости делать двойной клик.

@cgevent

ElevenLabs смотрел-смотрел, как обходят конкуренты, и выкатил Eleven v4
Сразу в топ Artificial Analysis

Новая архитектура – модель читает сценарий «как актёр озвучки»: понимает, кто говорит, что только что произошло и с какой интонацией подать реплику. Языков стало 90+ (у v3 было 70+).

Бенчмарки Artificial Analysis:
– Provider Voice Arena – #1 с Elo 1319, лучше Cartesia Sonic 3.6 (1276) и Gemini 3.8 Flash TTS (1267). Первое место во всех четырёх категориях: саппорт, ассистенты, обучение, развлечения. Если что это все английский, остальные языки самим тестировать надо.

– Controlled Voice (все модели говорят одним и тем же кастомным голосом) – #2 с 1157, уступает только Qwen-Audio-3.1-TTS-Plus от Alibaba. Короче, голоса у elevenlabs лучше, а вот стандартный голос может чуть уступать.

– Pronunciation Robustness – 91.7%, лучший результат, который AA вообще намеряли. Gemini 3.8 Flash TTS – 89.5%, v3 – 85.6%

– скорость – 73.4 символа в секунду против 42.5 у v3.

Что внутри:
– теги вроде [laughs], [whispers], [door slams] прямо в тексте, v4 слушается их лучше, чем v3
– context stitching – длинный текст (хоть аудиокнига) без швов по темпу и подаче
– перегенерация фразы хоть 50 раз – голос не «плывёт»
– вернули Professional Voice Clone, которого не было в v3

v4 Turbo – для реалтайма и агентов: ~150 мс до первого звука (у Sonic 3.6 – 262 мс, у GPT-4o mini TTS – 814 мс, но это замеры самих ElevenLabs) и двунаправленный стриминг – звук идёт ещё до того, как LLM допишет предложение. Но если что конкуренты быстрее. 75-150 мс дают основные топовые модельки.

А теперь про деньги: $80 за 1M символов. Дешевле, чем 3 версия. Sonic 3.6 – $49, Gemini 3.8 Flash TTS – $16.49. То есть Google в 5 раз дешевле и отстаёт всего на 52 пункта Elo. Inworld в 4 раза дешевле, Grok, Soniox - еще дешевле.

Короче, по качеству и произношению – топ, для аудиокниг и брендового голоса норм. Рекламы всякой, озвучки фильмов.
А вот для колл-центра на миллионы минут я бы сначала посчитал юнит-экономику на Gemini, InWorld, Grok, Cartesia – разница в 5-10 раз по цене быстро съедает разницу в качестве.

https://elevenlabs.io/v4

Мертвые заговорили!

Полный Kling 4.0 выходит в октябре, а Kling 4.0 Flash уже бахнули для подписчиков Ultra Yearly.

Главное:

- до 30 секунд видео одной нативной генерацией вместо прежних 15;
- до 10 keyframes;
- до 15 мультимодальных референсов одновременно - персонажи, предметы, изображения, видео и другие материалы;
- более развитый Omni Reference и редактирование уже существующего видео;
- 4K;
- 10-bit HDR (воще непонятно какой именно);
- улучшенный native stereo audio;
- более точный lip sync;
- video extension;
- больше языков, акцентов и диалектов.


Это редактирующая модель.

Можно менять:
персонажа;
выражение лица;
движение персонажа;
отдельный объект;
фон;
визуальный стиль;
ракурс;
движение камеры.

В Edit можно использовать один основной ролик и до четырёх дополнительных видео как референсы.

Теперь про Kling 4.0 Flash.

Это облегчённая версия 4.0 для более быстрой генерации. Она уже работает в early access, тогда как полноценный 4.0 появится только в октябре.

Но: Kling пока не опубликовал нормальную официальную таблицу 4.0 vs 4.0 Flash.

Из предварительных материалов и утечек Flash примерно так:

Kling 4.0:
до 30 секунд
до 4K
до 15 референсов
до 10 keyframes
максимальное качество и контроль

Kling 4.0 Flash:
предварительно до 20 секунд
предварительно 720p
часть продвинутых функций может быть урезана

Цена, Карл?

https://kling.ai/release-note/release-notes/Kling_4

@cgevent

#Нейропрожарка

ТИЗЕР: Начало Сингулярности

Автор сценария: Александр Петров

Исполнитель (AI Director): Ник Черненко

В лучшем качестве: https://www.youtube.com/watch?v=haq8sfgv0bI

Бюджет: $3000
Срок реализации: ~6 месяцев от постановки ТЗ
Данный тизер сделан к ещё несуществующему фантастическому сериалу о том, как логарифмическая кривая развития технологий изменит наш мир: быстро, беспощадно, радикально. Получается так, что примеряться к продакшену стало относительно недорого (и становится все дешевле), именно в формате тизера. Не имея по сути ничего кроме пока незаконченного черновика сценария. Я даже не исключаю, что весь сериал будет выгоднее вскоре сгенерировать.

Как это делалось:
Генераторы изображений: Midjourney, Gpt-image 2, Nano banana pro.
Локальные модели: Flux-2, qwen. Так же различные воркфлоу на уровне: img_2_depth map, depth map_2_image, Flux-Upscale (перерисовывает изображение, по факту увеличивается и разрешение изображения и его детализация, фоторильность), различные Lora.

Из видео-генераторов Seedance и Kling. В Клинге из интересного это использование тогда еще нового Multi-shot. Это особенно помогло при генерации видео сразу с речью (а значит консистентный голос персонажа) в разных сценах/локациях. При разных генерациях одного персонажа с одним и тем же промтом, голос выходил все равно слегка разным. И мультишотом это решилось.

Часть start-фреймов дорабатывалась локально. Когда нужно было добавить крови или сделать что-то, что цензура не позволяла.

Некоторые задачи, для соблюдения точности концепта требовали более сложных решений.
Например, кадр с подлодкой требовал создания 3D модели подлодки, чтобы она соответствовала замыслу. Из интересных особенностей, путем проб и ошибок вышло следующее. Если загружать clay-рендер в банану, результат выходил хуже, чем если делать во флюксе из карты глубины в картинку. Так же, никто из видео-генераторов не справился с невидимостью. Поэтому тут еще в Kling О3 был получен из кадра с останавливающийся подлодкой пустой плейт. И далее уже потом тонна композа с масками, доп. эффектами и тд.
По этой же причине, девушка в лесу, которая проявляется как голограмма, генерировалась на зеленке, а затем кеилась.
Кадр с вываливающимся кубом из портала, там портал тоже делался руками, потому что все генерации портала не соответствовали замыслу концепта.

В целом было довольно много композа, создания 3D моделей и прочих ухищрений. Конечно же создание лор для флюска и листов персонажей для бананы.

А далее монтаж, цветкор, добавление пылинок, бликов и т.д. И Саунд-дизайн.

Вот такой получился симбиоз локальных моделей, серверных решений, 3D, композа и VFX.

@cgevent

Это я с утра - когда в личку ломятся боты и кожаные с вопросами:

- вы используете нейросети?
- вам интересны запуски, запуски, запуски?
- учим арбитражу
- давайте заработаем мульен вместе!

Теперь посылаю им вот это.

@cgevent

Ну, за метаверс?

Слева находится то, на что Цукерберг потратил около 80 миллиардов, чтобы достичь результата.

Справа вы видите работу Opus 5.5 в Блендоре, на что он потратил немножко токенов.

Качество Опусянского и Астрачки подтянется, а вот 80 миллиардов уже не вернуть.

Меня до сих пор бомбит от прогнозов Маккинзи в июне 2022: “By 2030 the metaverse could generate $4 trillion to $5 trillion across consumer and enterprise use cases.”

Позже, в январе 2023 года, McKinsey повторила оценку в A CEO’s guide to the metaverse(путеводитель руководителя по метаверсу, блэт):
размер активности метаверса оценивался в $200-300 млрд в 2022 году и мог вырасти примерно до $4-5 трлн к 2030 году.

Я, кстати, кинул в ChatGPT запрос, типа ты аналитик и твои знания ограничены июнем 22 года. И он нарисовал мне 700 миллиардов вместо 5 триллионов и робко спросил о том, что вообще-то говоря определения метаверса не было и до сих пор нет.

За что МакКинзи берут деньги? За что, скажите мне, за что им платят?

@cgevent

OpenAI завтра снова открывает подписку Pro за $200 для новых пользователей.

Но.

Новый Pro $200 будет давать примерно вдвое меньше usage, чем старый, если пересчитывать его в эквивалент расходов через API.

То есть формально:
старый Pro $200 -> условно X долларов вычислений по API
новый Pro $200 -> примерно 0.5X.
Цена подписки при этом остаётся $200.

Но.

OpenAI утверждает, что реальный объём выполненной работы уменьшиться не должен. Наоборот - со временем он должен расти.

Э-э, кхгм?

Во-первых, OpenAI не возвращает старый 5-часовой лимит. Остаётся недельный бюджет, который можно расходовать тогда, когда он действительно нужен, хоть значительную часть за один день.

Во-вторых, сами модели становятся какбэ дешевле.

На этой неделе OpenAI выпустила GPT-6 Sol и GPT-6 Luna и примерно вдвое снизила их API-стоимость относительно предыдущего поколения:
GPT-5.6 Sol -> $4 input / $20 output
GPT-6 Sol -> $2 / $10
GPT-5.6 Luna -> $0.20 / $1.20
GPT-6 Luna -> $0.10 / $0.50

Поэтому возникает занятная арифметика.
Если раньше подписка позволяла выполнить объём работы, который через API условно стоил $1000, а новая модель делает сопоставимую работу вдвое дешевле, то сегодня те же вычисления могут стоить уже около $500.

Типа то на то..

Насколько это будет соответствовать действительности, непонятно.

А теперь десерт.

Завтра OpenAI собирается добавить в Pro новые возможности, которые вообще не будут расходовать основной usage.

По слухам, OpenAI постепенно хочет прийти к модели, где огромная субсидия внутри подписки вообще перестанет быть главным преимуществом Pro.

API становится дешевле, модели эффективнее, и разница между «я плачу $200 и получаю конскую халяву» и «я просто покупаю необходимый compute по мере использования» типа должна постепенно сокращаться.

Подробности - завтра

@cgevent

#Сеня_и_Даня_Здесь_Были

Время дневной молитвы.

Reference Video: прекрасное Kotte Animation's "Spider-Man Stops A Train"

Сиданский 2.5

За что вам это, вы помните. Смотреть до конца, не моргая.

@cgevent

Локальный Виспер без питонга.

Продолжение нашего вчерашнего разговора про транскрибацию с помощью ChatGPT.

У кого нет ChatGPT или у кого аллергия на ChatGPT, можно пользоваться вот такой вот штукой.

Это полностью локальная транскрибация звука на вашем компе.

Есть клиент для Винды, для Мака и для Линукса. И всё это скачивается вот по этой ссылке.
https://sourceforge.net/projects/buzz-captions/files/
Для Винды не подписано, Винда будет бессильно ругацца.

Для тех, кто хочет в код, есть ссылка и на код.
https://github.com/chidiwilliams/buzz

Для меня тут основная новая фишка - это то, что он умеет выводить субтитры и различать говорящих, а также принимать на вход видеофайлы.

И да, там есть CUDA и MLX ускорение.

Полный список фич:

- Транскрибация аудио- и видеофайлов, а также видео по ссылкам YouTube
- Транскрибация аудио в реальном времени с микрофона
- Отдельное окно для отображения текста во время мероприятий и презентаций
- Разделение речи перед транскрибацией для повышения точности на записях с шумом
- Определение говорящих в транскрибированных аудио и видео
- Поддержка нескольких бэкендов Whisper
- CUDA-ускорение на видеокартах NVIDIA
- Поддержка Apple Silicon на Mac
- Vulkan-ускорение Whisper.cpp на большинстве GPU, включая встроенную графику
- Поддержка нескольких семейств моделей Transformer через Hugging Face в режиме Whisper
- Экспорт транскрипций в TXT, SRT и VTT
- Расширенный просмотрщик транскрипций с поиском, управлением воспроизведением и регулировкой скорости
- Горячие клавиши для быстрой навигации
- Отслеживаемая папка (Watch Folder) для автоматической транскрибации новых файлов
- Интерфейс командной строки (CLI) для скриптов и автоматизации
- Система плагинов, включая AI-суммаризацию и автоматическое изменение размера/форматирования транскриптов

@cgevent