NVIDIA podała 28 października 2026 r. jako datę publikacji Nemotron 3.5 Transcribe. Opisuje go jako model audio działający offline, który przetwarza nagrania o długości do jednej godziny. Potrafi między innymi transkrybować i tłumaczyć mowę, rozpoznawać mówców oraz odpowiadać na pytania dotyczące nagrania.
Co potrafi Nemotron 3.5 Transcribe
To model językowy rozszerzony o obsługę mowy, a nie narzędzie do transkrypcji na żywo. NVIDIA wymienia transkrypcję dosłowną i w formie pisemnej, tłumaczenie mowy, identyfikację języka, przypisywanie wypowiedzi do mówców, znaczniki czasu oraz pytania i odpowiedzi na temat audio.
Cały model ma 34 mld parametrów, z czego około 4,3 mld jest aktywnych. W jego skład wchodzą enkoder audio i enkoder mówców, a część językowa bazuje na Nemotron 3.5 Lightning 30B-A3B.
Limit nagrania i obsługa języków
NVIDIA podaje maksymalną długość pojedynczego nagrania wynoszącą godzinę. Model przetwarza dźwięk jako jednokanałowy sygnał PCM o częstotliwości próbkowania 16 kHz; obsługiwane formaty obejmują WAV, FLAC, MP3 i OGG.
Deklarowane 40 języków nie oznacza, że każdy z nich obsługuje wszystkie zadania. W macierzy NVIDIA tamilski i turecki są wymienione przy transkrypcji, ale nie przy tłumaczeniu. Rozumienie audio i wnioskowanie oceniano wyłącznie po angielsku.
Nemotron 3.5 Transcribe działa offline, więc nie zapewnia streamingu mowy w czasie rzeczywistym. Osobny Nemotron 3.5 ASR Streaming 0.6B jest modelem nastawionym na streaming.
Sprzęt i licencja
Referencyjna konfiguracja NVIDIA wykorzystuje jedną kartę H100 80GB. Zgodność zależy od sprzętu i precyzji wag: na przykład RTX 5090 wymieniono w konfiguracji NVFP4.
NVIDIA udostępnia wagi na licencji OpenMDW-1.1, która dopuszcza użycie komercyjne i niekomercyjne na określonych w niej warunkach. Karta modelu NVIDIA opisuje też konfiguracje wdrożeniowe i warunki licencji.
