NVIDIA date la publication de Nemotron 3.5 Transcribe du 28 octobre 2026. Ce modèle de traitement audio fonctionne hors ligne et accepte des enregistrements d’une heure au maximum. Il peut transcrire, traduire, attribuer des passages aux locuteurs et répondre à des questions sur un enregistrement.
Repères de lecture
- Un modèle audio hors ligne, limité à une heure par enregistrement
- Les 40 langues ne couvrent pas toutes les mêmes tâches
- Matériel, modèle streaming distinct et licence
Un modèle audio hors ligne, limité à une heure par enregistrement
Nemotron 3.5 Transcribe est un modèle de langage conçu pour traiter l’audio, et non un service de transcription en direct. NVIDIA indique une durée maximale d’une heure par enregistrement. Le découpage interne de l’audio ne transforme pas le modèle en outil de streaming en temps réel.
La fiche technique décrit aussi la transcription verbatim ou mise en forme, l’identification de la langue, l’horodatage et les questions-réponses sur l’audio. L’entrée audio est traitée en PCM mono à 16 kHz; les formats décodables comprennent WAV, FLAC, MP3 et OGG. Pour une conversation dense d’une heure, NVIDIA estime que la transcription peut atteindre environ 20 000 jetons. Une limite de génération trop basse risque donc de tronquer le texte.
Le modèle complet compte 34 milliards de paramètres, dont environ 4,3 milliards actifs; son socle linguistique repose sur Nemotron 3.5 Lightning 30B-A3B. NVIDIA indique une fenêtre de contexte de 65 536 jetons.
Les 40 langues ne couvrent pas toutes les mêmes tâches
NVIDIA annonce une couverture de 40 langues, avec des fonctions qui varient selon la langue. Le tamoul et le turc figurent parmi les langues prises en charge pour la transcription, mais pas pour la traduction. L’attribution de plusieurs locuteurs et le traitement des changements de langue dans une même conversation varient également selon la langue. La compréhension et le raisonnement à partir de l’audio ont été évalués uniquement en anglais.
Les résultats publiés par NVIDIA donnent un repère, pas une promesse uniforme pour chaque langue ou enregistrement. Capturés le 12 octobre 2026, ils indiquent un taux d’erreur de mots (WER) moyen de 4,71 % sur neuf jeux de données publics en anglais, de 10,98 % sur trois jeux de données de transcription longue, et de 4,62 % sur les moyennes de sept langues. Le WER mesure la proportion d’erreurs de mots dans une transcription; les moyennes reposent sur des ensembles différents.
NVIDIA rapporte aussi une évaluation de parole médicale menée avec Eka Care : le WER passe de 30,8 % avec l’invite par défaut à 23,8 % avec une invite précisant l’anglais et l’alphabet latin, puis à 11,8 % après adaptation au domaine. Ces chiffres décrivent cette évaluation particulière.
Matériel, modèle streaming distinct et licence
La configuration de référence de NVIDIA utilise un GPU H100 de 80 Go. Sa matrice de compatibilité associe d’autres matériels à des formats de poids précis; elle répertorie notamment la RTX 5090 avec NVFP4. La compatibilité dépend donc du matériel, de la précision et de l’environnement logiciel. Le 0.6B Nemotron 3.5 ASR Streaming est un modèle distinct, orienté vers le streaming, et non une version de Transcribe.
NVIDIA fournit les poids en BF16, FP8 et NVFP4 et indique la licence OpenMDW-1.1. L’usage commercial ou non commercial est permis sous réserve de cette licence et des conditions tierces applicables. Les détails de déploiement et de licence figurent dans la fiche officielle de Nemotron 3.5 Transcribe.
