NVIDIA zwolniła Nemotron 3.5 Transcribe, otwarty model do transkrypcji mowy, który zmienia audio i instrukcje tekstowe na transkrypt z możliwością wyboru stylu wyjścia. Model opiera się na architekturze speech-augmented language model (SALM), gdzie koder audio przekazuje embeddingi do dekodera LLM, co pozwala na promptowe sterowanie transkrypcją. Dostępne opcje obejmują transkrypt słowo w słowo, formę pisaną, przypisanie głosu do prelegentów, transkrypt z kontekstem i tłumaczenie - wszystko w jednym modelu.
Model ma 34 miliardy parametrów całkowitych z około 4.3 miliardami parametrów aktywnych, co pozwala na jego uruchomienie na pojedynczym procesorze H100 z 80 GB pamięci. Kontekst wynosi 65536 tokenów i obsługuje nagrania do 1 godziny. NVIDIA udostępniła też wersje z compressją FP8 (około 35 GB) oraz NVFP4 (około 21 GB), przy czym ta ostatnia działa nawet na RTX 5090. Pliki GGUF są dostępne dla NeMo-Speech.cpp.
Na benchmarkach Nemotron 3.5 Transcribe osiąga 4.71% średniego Word Error Rate na 9 publicznych angielskich zestawach testowych Open ASR Leaderboard, co czyni go najlepszym dostępnym modelem open-weights. Kolejny otwarty model osiąga 4.94% WER. Główną zaletą jest jednorazowe rozwiązanie dla transkrypcji, etykiet prelegentów, znaczników czasowych i tłumaczenia. Ograniczeniami są tryb offline oraz słabsza dokładność na mandaryńskich nagraniach ze spotkań dalekiego pola, gdzie osiąga 34.95% cpCER. Modele komercyjnych API wciąż osiągają lepsze wyniki.