NVIDIA publie Nemotron 3.5 Transcribe en open weight
Le modèle de reconnaissance vocale couvre 40 langues, distingue jusqu'à 8 locuteurs et atteint 4,71 % de taux d'erreur sur le classement de Hugging Face.
NVIDIA a publié le 28 octobre 2026 Nemotron 3.5 Transcribe, un modèle de reconnaissance vocale à poids ouverts, selon le site spécialisé aitimes.com. Les poids sont disponibles sur Hugging Face sous licence OpenMDW-1.1, qui autorise un usage commercial.
Le modèle repose sur une architecture à mixture-of-experts (MoE) d'environ 34 milliards de paramètres au total, dont environ 4,3 milliards actifs. Il peut traiter des enregistrements allant jusqu'à une heure et identifier jusqu'à 8 locuteurs, en précisant le moment où chacun parle. L'utilisateur peut aussi décrire en langage naturel le style de transcription souhaité, par exemple mot pour mot ou en phrases nettoyées.
Nemotron 3.5 Transcribe reconnaît la parole dans 40 langues et traduit entre 31 langues, principalement vers l'anglais. NVIDIA indique qu'il occupe la première place des modèles à poids ouverts sur le classement anglais open ASR de Hugging Face, avec un taux d'erreur de mots de 4,71 %. Sur une évaluation multilingue portant sur 7 langues, le taux d'erreur moyen ressort à 4,62 %.
Sur le benchmark ContextASR-Bench, sa fonction de reconnaissance contextuelle réduit les erreurs sur les noms propres jusqu'à un sixième. Dans une expérience de reconnaissance de parole médicale avec un entraînement complémentaire sur des données propriétaires, le taux d'erreur de mots a baissé de 45,8 % en relatif par rapport à une base de référence à prompt optimisé. NVIDIA précise toutefois que le modèle ne traite pas directement l'audio en streaming et prend en entrée des enregistrements.
Outils et performances matérielles
NVIDIA accompagne la publication de l'outil NeMo Speech et du jeu de données d'entraînement vocal Granary 2. Selon la société, un seul GPU RTX PRO 6000 fondé sur Blackwell peut traiter jusqu'à 2238 secondes d'audio par seconde dans un environnement d'inférence optimisé, toutes les optimisations n'étant pas incluses dans la version open source publique.
Cette sortie intervient alors que des acteurs comme Mistral et ElevenLabs se positionnent sur la reconnaissance vocale et les agents vocaux.
En bref
Nemotron 3.5 Transcribe est-il utilisable à des fins commerciales ?
Oui. Les poids sont publiés sur Hugging Face sous licence OpenMDW-1.1, qui autorise un usage commercial.
Combien de langues le modèle prend-il en charge ?
Il reconnaît la parole dans 40 langues et traduit entre 31 langues, principalement vers l'anglais.
Peut-il transcrire de l'audio en direct ?
Non. Le modèle ne traite pas directement l'audio en streaming et prend en entrée des enregistrements.