NVIDIA a lancé ce mercredi 28 octobre 2026 Nemotron 3.5 Transcribe, un modèle ouvert de parole et d'audio qui transcrit des enregistrements dans 40 langues. Selon sa fiche Hugging Face, il traite des enregistrements d'une heure maximum, avec un contexte de 65 536 tokens, et peut être utilisé à des fins commerciales ou non commerciales sous licence OpenMDW-1.1.
Le modèle compte 34 milliards de paramètres au total, dont environ 4,3 milliards actifs à l'inférence, y compris l'encodeur audio, dans une architecture hybride Mamba-Transformer de type mixture-of-experts. Il transcrit un enregistrement déjà réalisé : ce n'est pas un service de reconnaissance vocale en streaming en direct, une distinction importante par rapport au modèle de streaming de la même famille.
Selon la fiche du modèle, le déploiement de référence utilise un GPU H100 de 80 Go ; TechCrunch rapporte que Nvidia affirme que le modèle peut fonctionner sur une seule puce, du contrôleur robotique Jetson AGX Thor aux puces Blackwell de centre de données.
Ce que fait le modèle
Au-delà de la transcription littérale ou lisible, il propose la traduction vocale, la transcription avec attribution des locuteurs, l'identification de la langue, les horodatages par mot et les questions-réponses sur l'audio. Selon TechCrunch, il distingue jusqu'à huit locuteurs et traduit 31 langues vers et depuis l'anglais, avec une personnalisation du vocabulaire spécialisé via NeMo Speech.
À quoi il sert
Parmi les usages cités par NVIDIA figurent les réunions, la transcription médicale, le traitement des médias et l'analyse du service client. Les résultats de référence publiés par l'entreprise elle-même revendiquent le meilleur résultat parmi les modèles à poids ouverts sur l'Open ASR Leaderboard en anglais, avec un taux d'erreur moyen de 4,71 % — des chiffres du fournisseur, pas encore vérifiés de façon indépendante. NVIDIA a aussi publié la version 2 de son jeu de données vocales Granary.
Dans la même famille Nemotron 3.5, Geekiki a déjà couvert le Bolt E4B de 4 Go pour agents locaux ; Transcribe est le membre axé sur la transcription, et non un agent vocal en temps réel.
Crédit image : NVIDIA, via la page du modèle sur Hugging Face.
Sources : Hugging Face — NVIDIA Nemotron 3.5 Transcribe; TechCrunch.
Transparence : cet article a été produit avec l'aide de l'intelligence artificielle, en recoupant des publications publiques sur X et des sources internet. Nous recommandons de consulter les sources originales pour plus de détails.
Muse
