NVIDIA Buka Bobot Nemotron 3.5 Transcribe, Model Speech Promptable untuk 40 Bahasa
Satu checkpoint mengerjakan transkripsi, atribusi pembicara, terjemahan, dan tanya-jawab audio dalam 40 bahasa, dengan klaim akurasi open-weight terbaik di kelasnya.
NVIDIA merilis bobot, dataset pelatihan, dan technical report untuk Nemotron 3.5 Transcribe, speech-augmented language model 30B-A4B yang diumumkan 28 Oktober. Model ini menggabungkan encoder ASR Transformer yang frozen dengan diarization dari Nemotron 3 serta backbone Nemotron 3.5 Lightning — MoE hybrid Mamba–Transformer dengan sekitar 4,3B parameter aktif. Satu checkpoint mengerjakan transkripsi verbatim, bentuk tulis, kontekstual, dan terattribusi-pembicara, speech translation 31 bahasa dengan Inggris, identifikasi bahasa, timestamp kata per pembicara, hingga tanya-jawab audio — gaya output dikontrol lewat instruksi bahasa alami tanpa retraining.
NVIDIA melaporkan mean word error rate 4,71% di English Open ASR Leaderboard — hasil open-weight terbaik — dan 4,62% multibahasa, sementara daftar entitas kontekstual memangkas WER hingga enam kali lipat di ContextASR-Bench. Model mendukung rekaman hingga satu jam dengan maksimal delapan pembicara, berjalan dari perangkat kelas Jetson AGX Thor sampai pusat data, dan diservis vLLM serta SGLang sejak hari pertama.
Dataset Granary v2 yang menyertai mencakup sekitar 844.000 jam audio dalam 48 bahasa, dan NVIDIA melaporkan penurunan WER relatif 45,8% setelah fine-tuning pada data medis sebagai bukti adaptabilitas domain.