엔비디아, 40개 언어 지원 음성인식 모델 'Nemotron 3.5 Transcribe' 공개

엔비디아가 2026년 10월 28일 오픈 웨이트 음성 인식 AI 모델 'Nemotron 3.5 Transcribe'를 공개했다. 모델 가중치는 허깅페이스에 상업적 이용이 가능한 OpenMDW-1.1 라이선스로 게시됐다.

이 모델은 약 34억 개의 전체 파라미터 가운데 약 4억 3000만 개를 활성화하는 전문가 혼합(MoE) 구조를 쓴다. 최대 1시간 길이의 녹음을 처리할 수 있고, 최대 8명의 화자를 구분해 각 화자가 말한 시점을 표시한다. 사용자는 축어록 방식이나 문장을 다듬는 방식처럼 전사 스타일을 자연어로 지정할 수 있다.

지원 범위는 40개 언어의 음성 인식과 31개 언어 간 번역이며, 번역은 주로 영어로 향한다. 엔비디아에 따르면 이 모델은 허깅페이스의 영어 오픈 ASR 리더보드에서 단어 오류율 4.71%로 오픈 웨이트 모델 가운데 1위를 기록했다. 7개 언어 다국어 평가에서는 평균 오류율 4.62%를 보였고, ContextASR-Bench 평가에서는 문맥 기반 인식 기능을 통해 고유명사 오류를 최대 6분의 1 수준까지 줄였다.

엔비디아는 음성 도구 NeMo Speech와 음성 학습 데이터셋 Granary 2도 함께 제공한다. 자체 데이터로 추가 학습을 진행한 의료 음성 인식 실험에서는 최적화된 프롬프트 기준선 대비 단어 오류율이 45.8% 상대적으로 감소했다.

성능과 관련해 엔비디아는 최적화된 추론 환경에서 블랙웰 기반 RTX PRO 6000 GPU 1장이 초당 최대 2238초 분량의 오디오를 처리할 수 있다고 밝혔다. 다만 모든 최적화가 공개 오픈소스 버전에 포함된 것은 아니다. 이 모델은 실시간 스트리밍 오디오를 직접 처리하지 않으며 녹음된 오디오를 입력으로 받는다.

음성 AI 경쟁

이번 공개는 미스트랄, 일레븐랩스 등 주요 AI 기업들이 음성 인식과 음성 에이전트 기술에서 경쟁하는 가운데 나왔다. 이 같은 배경은 aitimes.com이 보도했다.