NVIDIA veröffentlicht Nemotron 3.5 Transcribe: offene Gewichte für aufgezeichnetes Audio – technische Details und ausstehende Prüfungen

In einem Herbst, in dem Sprachtechnologie am Markt viel Aufmerksamkeit erhält – wie die von TechCrunch erwähnten jüngsten Veröffentlichungen von Wettbewerbern wie Mistral und ElevenLabs zeigen –, hat NVIDIA am 28. Oktober 2026 das Modell Nemotron 3.5 Transcribe veröffentlicht. Anders als Nemotron 3.5 ASR, ein im Juni 2026 erschienenes Modell mit 0,6 Milliarden Parametern für Echtzeit-Streaming, richtet sich die neue Veröffentlichung mit offenen Gewichten an die Analyse bereits aufgezeichneter Audiodateien. Laut den offiziellen Kanälen des Unternehmens auf Hugging Face vereint das System Transkription, Übersetzung, Sprecherzuordnung und Fragen zum Sprachsignal in einer einzigen Lösung, auf Basis einer hybriden Mamba-2/Transformer-Architektur vom Typ Mixture-of-Experts mit einem parallelen Audio-Encoder.

Bei den technischen Daten nennt die Modellkarte eine Gesamtgröße von rund 34 Milliarden Parametern (davon rund 4,3 Milliarden aktiv, Encoder eingerechnet), während der offizielle Name „30B-A4B“ und der Blog von rund 30 Milliarden insgesamt und 4 Milliarden aktiven Parametern sprechen: Der Unterschied hängt davon ab, ob der Audio-Encoder mitgezählt wird. Das Modell steht unter der Lizenz OpenMDW-1.1 für kommerzielle und nichtkommerzielle Nutzung und unterstützt Italienisch in der Leistungsklasse, die das Unternehmen als 'Leading' bezeichnet. Als Hardware wird eine H100-GPU mit 80 GB empfohlen. Zusammen mit dem Modell hat NVIDIA den offenen Datensatz Granary v2 bereitgestellt: 463.062 Stunden Sprachaufnahmen in 48 Sprachen, wobei die Original-Audiodateien direkt von den Herkunftsplattformen heruntergeladen werden müssen, unter Beachtung der Lizenz jedes Korpus. Unter den genannten Anwendungsfällen zeigte die Anpassung an den medizinischen Bereich mit dem Benchmark Eka Care, dass nach etwa 14 GPU-Stunden Training auf einer NVIDIA GB300 die WER bei nicht im Training verwendeten Clips von 22,44 % auf 12,17 % sank – eine relative Verringerung um 45,8 % über 2.764 Clips.

Die Analyse der veröffentlichten Daten zeigt allerdings einige Unstimmigkeiten und Grenzen der Überprüfbarkeit. Die Leistungsmessungen stammen aus internen Tests oder Tests mit Partnern, ohne unabhängige Replikation – das räumt NVIDIAs eigener Blog ein. Zudem klafft eine Lücke zwischen der im Beitrag genannten durchschnittlichen Fehlerrate von 5,33 % für die englische Open-ASR-Rangliste und den 4,71 %, die die Modellkarte als gleichgewichteten Durchschnitt über neun Datensätze angibt: Vermutlich handelt es sich um zwei verschiedene Berechnungen, doch der Unterschied wird nicht erklärt. Auch die Geschwindigkeitsangabe (100 Stunden Audio in unter drei Minuten transkribiert) bezieht sich auf eine noch nicht veröffentlichte NVFP4-Version. Den Einsatzbereich hat NVIDIA klar benannt: Im Blog heißt es „Transcribe is built for recorded audio, not live streaming“, und die offizielle Modellkarte bekräftigt, dass die interne Verarbeitung in Audioblöcken das System nicht zu einem Echtzeit-Transkriptionsdienst macht; ebenso unterscheiden die Labels bis zu acht Sprecher pro Datei, ohne sie zu identifizieren.

Offene Gewichte und Datensätze sind konkrete Ressourcen für Entwickler. Doch wenn die Leistung eines Modells nur mit den Metriken des Herstellers gemessen wird, bleibt die technische Transparenz auf halbem Weg zwischen Ankündigung und echter Überprüfung.

— Olya