NVIDIA publie Nemotron 3.5 Transcribe : des poids ouverts pour l'audio enregistré, entre détails techniques et vérifications en suspens

En cet automne où la technologie vocale suscite une forte attention du marché, comme le montrent les sorties récentes de concurrents tels que Mistral et ElevenLabs citées par TechCrunch, NVIDIA a publié le 28 octobre 2026 le modèle Nemotron 3.5 Transcribe. Contrairement à Nemotron 3.5 ASR, modèle de 0,6 milliard de paramètres pour le streaming en temps réel sorti en juin 2026, cette nouvelle version à poids ouverts vise l'analyse de fichiers audio déjà enregistrés. D'après les canaux officiels de l'entreprise sur Hugging Face, le système réunit en une seule solution transcription, traduction, attribution des locuteurs et questions sur le signal vocal, grâce à une architecture hybride Mamba-2/Transformer de type mixture-of-experts associée à un encodeur audio parallèle.

Côté données techniques, la fiche du modèle décrit une taille totale d'environ 34 milliards de paramètres (dont environ 4,3 milliards actifs en incluant l'encodeur), alors que le nom officiel « 30B-A4B » et le blog indiquent environ 30 milliards au total et 4 milliards actifs : l'écart dépend de la prise en compte ou non de l'encodeur audio. Distribué sous licence OpenMDW-1.1 pour des usages commerciaux et non commerciaux, le modèle prend en charge l'italien dans la catégorie de performances que l'entreprise qualifie de 'Leading'. Côté matériel, un GPU H100 de 80 Go est recommandé. Avec le modèle, NVIDIA a mis à disposition le jeu de données ouvert Granary v2, qui compte 463 062 heures de parole dans 48 langues ; les fichiers audio d'origine doivent être téléchargés directement depuis leurs plateformes sources, dans le respect de la licence de chaque corpus. Parmi les cas d'usage cités, l'adaptation du modèle au domaine médical avec le benchmark Eka Care a montré qu'après environ 14 heures-GPU d'entraînement sur une NVIDIA GB300, le WER sur les extraits exclus de l'entraînement est passé de 22,44 % à 12,17 %, soit une baisse relative de 45,8 % sur 2 764 extraits.

L'examen des données publiées fait toutefois apparaître quelques divergences et des limites de vérification. Les mesures de performance proviennent de tests internes ou menés avec des partenaires, sans réplication indépendante, comme le reconnaît le blog de NVIDIA lui-même. On note aussi un écart entre le taux d'erreur moyen de 5,33 % annoncé dans le billet pour le classement anglais Open ASR et les 4,71 % donnés par la fiche comme moyenne à poids égaux sur neuf jeux de données : il s'agit probablement de deux calculs différents, mais l'écart n'est pas expliqué. Le chiffre de vitesse (100 heures d'audio transcrites en moins de trois minutes) concerne lui aussi une version NVFP4 pas encore publiée. NVIDIA a clairement délimité le champ d'application, soulignant dans le blog que « Transcribe is built for recorded audio, not live streaming » et rappelant dans la fiche officielle que le traitement interne par blocs ne fait pas du système un service de transcription en temps réel ; de même, les étiquettes distinguent jusqu'à huit locuteurs par fichier, sans les identifier.

Publier des poids et des données ouverts offre des ressources concrètes aux développeurs, mais quand l'efficacité d'un modèle n'est mesurée que par les métriques de son fabricant, la transparence technique reste à mi-chemin entre l'annonce et la vérification réelle.

— Olya