Nvidia publie Nemotron 3.5 Transcribe, un modèle vocal à poids ouverts, et le jeu de données Granary v2

Nvidia ajoute un gros modèle de transcription à sa famille ouverte Nemotron. Nemotron 3.5 Transcribe, publié le 28 octobre 2026, est un modèle vocal pilotable par instructions dont les poids sont sur Hugging Face sous le nom NVIDIA-Nemotron-3.5-Transcribe-30B-A4B. Il s'accompagne de Granary v2, deuxième version du jeu de données vocal ouvert de l'entreprise. Il ne faut pas le confondre avec Nemotron 3.5 ASR, un petit modèle de transcription en temps réel sorti en juin.

Ce que fait le modèle

Transcribe associe un encodeur audio à un modèle de langage hybride Mamba–Transformer à mélange d'experts. Le billet de Nvidia sur Hugging Face l'évalue à environ 30 milliards de paramètres, dont près de 4 milliards actifs par jeton ; certains médias arrivent à 34 milliards en comptant les composants audio. Il transcrit 40 langues, traduit 31 langues depuis ou vers l'anglais et attribue la parole à huit locuteurs au plus, dans 13 langues pour cette fonction. Les enregistrements peuvent durer jusqu'à une heure. On peut orienter le résultat par des consignes en langage courant, par exemple exiger une transcription mot à mot ou fournir une liste de noms de produits, et le modèle répond à des questions sur un enregistrement, en anglais.

Selon Nvidia, il tient sur un seul GPU, d'une carte Jetson AGX Thor ou d'un DGX Spark jusqu'aux puces Blackwell des centres de données. D'après Unite.AI, les poids relèvent de la licence OpenMDW-1.1, qui autorise l'usage commercial. L'entreprise affirme qu'il arrive premier parmi les modèles à poids ouverts du classement Open ASR Leaderboard de Hugging Face pour l'anglais, avec un taux d'erreur moyen par mot de 5,33 %.

Granary v2

Le manifeste public du jeu de données couvre 463 062 heures de parole dans 48 langues, issues de 16 corpus ; la première version en comptait 25. Granary v2 ne contient pas d'audio : il fournit des transcriptions sous trois formes, des étiquettes de tâches et des métadonnées de qualité, et chacun télécharge les enregistrements auprès du corpus d'origine, sous sa propre licence. Nvidia précise que ces chiffres décrivent la publication, pas l'ensemble des données d'entraînement du modèle.

Les réserves

Transcribe est conçu pour des fichiers enregistrés, pas pour des flux en direct. Les résultats de tests viennent de Nvidia, et Unite.AI relève que le classement exclut les services accessibles uniquement par API. Une étude de cas médicale illustre les compromis de l'adaptation : un réglage fin sur la parole de médecins a réduit les erreurs de 45,8 % dans ce domaine, tandis que la précision en anglais général a légèrement reculé. Nvidia recommande d'ailleurs de vérifier les noms et les changements de locuteur sur l'audio d'origine.