NVIDIA pubblica Nemotron 3.5 Transcribe: pesi aperti per l'audio registrato tra dettagli tecnici e verifiche sospese

In un autunno in cui la tecnologia vocale registra un'ampia attenzione di mercato, come evidenziato dalle recenti uscite di concorrenti quali Mistral ed ElevenLabs citate da TechCrunch, NVIDIA ha pubblicato il 28 ottobre 2026 il modello Nemotron 3.5 Transcribe. A differenza di Nemotron 3.5 ASR, modello da 0,6 miliardi di parametri per lo streaming in tempo reale uscito a giugno 2026, la nuova release a pesi aperti si rivolge all'analisi di file audio già registrati. Secondo quanto dichiarato nei canali ufficiali dell'azienda su Hugging Face, la struttura integra in un'unica soluzione trascrizione, traduzione, attribuzione delle voci e quesiti sul segnale vocale, sfruttando un'architettura ibrida Mamba-2/Transformer di tipo mixture-of-experts associata a un encoder audio parallelo.

Sul piano dei dati tecnici, la scheda del modello descrive una dimensione complessiva di circa 34 miliardi di parametri (di cui circa 4,3 miliardi attivi includendo l'encoder), a fronte dei circa 30 miliardi totali e 4 miliardi attivi indicati dal nome ufficiale "30B-A4B" e dal blog: la differenza dipende dal fatto che si conti o no l'encoder audio. Distribuito con licenza OpenMDW-1.1 per usi commerciali e non commerciali, il modello supporta la lingua italiana nella classe di prestazioni indicata dall'azienda come 'Leading'. Per l'infrastruttura di calcolo viene raccomandata una GPU H100 da 80 GB. Insieme al modello, NVIDIA ha reso disponibile il dataset aperto Granary v2, comprensivo di 463.062 ore di traccia vocale distribuite su 48 lingue, con l'obbligo di scaricare i file audio originari direttamente dalle piattaforme di provenienza nel rispetto delle licenze di ciascun corpus. Tra i casi d'uso citati, l'adattamento del modello nel settore medico tramite il benchmark Eka Care ha mostrato, dopo circa 14 ore-GPU di addestramento su una NVIDIA GB300, che il WER sulle clip escluse dall'addestramento è sceso dal 22,44% al 12,17%, una riduzione relativa del 45,8% su 2.764 clip.

L'analisi dei dati diffusi evidenzia tuttavia alcune discrepanze e limiti di verifica. Le misurazioni prestazionali derivano da test interni o realizzati con i propri partner, senza una replica indipendente, come ammette lo stesso blog di NVIDIA. Si osserva inoltre uno scarto tra la cifra del 5,33% di tasso di errore medio dichiarata nel post per la classifica inglese Open ASR e il 4,71% indicato nella scheda come media a pesi uguali su nove dataset: probabilmente sono due calcoli diversi, ma la differenza non è spiegata. Anche il dato di velocità (100 ore di audio trascritte in meno di tre minuti) si riferisce a una versione NVFP4 non ancora rilasciata. NVIDIA ha esplicitato chiaramente l'ambito di applicazione, sottolineando nel blog che "Transcribe is built for recorded audio, not live streaming" e ribadendo nella scheda ufficiale che l'elaborazione interna dei blocchi audio non trasforma il sistema in un servizio di trascrizione in tempo reale, così come le etichette distinguono fino a otto parlanti per file, senza identificarli.

Rilasciare parametri e dataset aperti fornisce risorse concrete a chi sviluppa, ma quando l'efficacia di un modello è misurata solo dalle metriche del costruttore, la trasparenza tecnica resta a metà strada tra l'annuncio e la verifica reale.

— Olya