Nvidia Nemotron 3.5 Transcribe: transkrypcja mowy w 40 językach

Nvidia udostępniła 28 października 2026 roku Nemotron 3.5 Transcribe, nowy model o otwartych wagach przeznaczony do transkrypcji nagrań audio. Narzędzie jest dostępne za darmo i ma na celu ułatwienie pracy deweloperom tworzącym aplikacje wykorzystujące sztuczną inteligencję do przetwarzania mowy, zwłaszcza w kontekście biznesowym i medycznym.

Główne funkcje Nemotron 3.5 Transcribe

Nowy model Nvidii to wielofunkcyjne narzędzie, które wykracza poza prostą zamianę mowy na tekst. Producent deklaruje, że Nemotron 3.5 Transcribe przewyższa konkurencyjne rozwiązania w publicznych rankingach, takich jak Open ASR Leaderboard na platformie Hugging Face. Najważniejsze możliwości modelu obejmują:

• Transkrypcję nagrań audio w nawet 40 językach.
• Tłumaczenie treści mówionych z i na język angielski w obrębie 31 języków.
• Przetwarzanie nagrań o długości do jednej godziny.
• Identyfikację i przypisywanie wypowiedzi nawet ośmiu różnym mówcom w jednym pliku audio (tzw. diaryzacja).
• Odpowiadanie na pytania dotyczące treści zarejestrowanego materiału dźwiękowego.

Jednym z obecnych ograniczeń jest fakt, że model pracuje wyłącznie na wcześniej nagranych plikach audio i nie obsługuje transkrypcji na żywo.

Dostosowanie do specjalistycznego żargonu

Nvidia kieruje swoje narzędzie przede wszystkim do twórców aplikacji przeznaczonych do obsługi spotkań biznesowych oraz transkrypcji medycznych. Aby ułatwić dostosowanie modelu do specyficznych potrzeb, firma opublikowała również drugą wersję zbioru danych Granary oraz zestaw narzędzi NeMo Speech. Dzięki nim deweloperzy mogą trenować model na własnych danych, aby poprawnie rozpoznawał i formatował specjalistyczny żargon charakterystyczny dla danej branży w każdym z obsługiwanych języków.

Dostępność i wymagania techniczne

Nemotron 3.5 Transcribe to model o wielkości 30 miliardów parametrów. Mimo to, Nvidia zapewnia, że może on działać wydajnie na pojedynczym procesorze graficznym. Jako przykłady podano zarówno układy do zastosowań w robotyce, jak Jetson AGX Thor, czipy w laptopach (DGX Spark), jak i wyspecjalizowane akceleratory Blackwell stosowane w centrach danych. Model dołącza do rodziny otwartych narzędzi głosowych Nvidii, w której znajduje się m.in. mniejszy, ale wydajny model Parakeet (1,1 miliarda parametrów).

Model Nemotron 3.5 Transcribe jest dostępny do pobrania na platformach Hugging Face oraz ModelScope. Jego premiera wpisuje się w okres wzmożonej aktywności na rynku głosowej AI – w ostatnim czasie swoje rozwiązania zaprezentowały także firmy Mistral (Voxtral 3), ElevenLabs (Realtime) oraz Salesforce (Launa-Omni).

Źródła

Voice AI in vogue: Nvidia releases new open transcription model, TechCrunch, 2026-10-28. https://techcrunch.com/2026/10/28/voice-ai-in-vogue-nvidia-releases-new-open-transcription-model/

Nemotron-3.5-Transcribe and Granary v2: Nvidia’s open models for multilingual speech AI, Hugging Face Blog. https://huggingface.co/blog/nvidia/nemotron-transcribe-granary

Nvidia Releases Open Nemotron 3.5 Super-VL and Bolt-Edge Models, Unite.AI. https://www.unite.ai/nvidia-releases-open-nemotron-3-5-super-vl-and-bolt-edge-models/