NVIDIA, Nemotron 3.5 Transcribe 공개: 녹음 오디오용 오픈 웨이트, 기술 세부사항과 남은 검증 과제

TechCrunch가 언급한 Mistral, ElevenLabs 등 경쟁사의 최근 출시에서 보듯 음성 기술이 시장의 큰 관심을 받는 이번 가을, NVIDIA는 2026년 10월 28일 Nemotron 3.5 Transcribe를 공개했다. 2026년 6월에 나온 실시간 스트리밍용 6억 파라미터 모델 Nemotron 3.5 ASR과 달리, 이번 오픈 웨이트 모델은 이미 녹음된 오디오 파일의 분석을 겨냥한다. Hugging Face의 회사 공식 채널에 따르면, 이 모델은 전사, 번역, 화자 구분, 음성 신호에 대한 질의응답을 하나의 솔루션으로 통합하며, Mamba-2/Transformer 하이브리드 mixture-of-experts 아키텍처에 병렬 오디오 인코더를 결합했다.

기술 데이터를 보면, 모델 카드는 전체 규모를 약 340억 파라미터(인코더 포함 활성 파라미터 약 43억)로 설명한다. 반면 공식 명칭 “30B-A4B”와 블로그는 전체 약 300억, 활성 약 40억을 제시하는데, 이 차이는 오디오 인코더를 포함하느냐에 따라 생긴다. 상업적·비상업적 용도 모두에 쓸 수 있는 OpenMDW-1.1 라이선스로 배포되며, 이탈리아어는 회사가 'Leading'이라 부르는 성능 등급에서 지원된다. 권장 하드웨어는 80GB H100 GPU다. NVIDIA는 모델과 함께 48개 언어, 463,062시간 분량의 음성을 담은 오픈 데이터셋 Granary v2도 공개했다. 다만 원본 오디오 파일은 각 코퍼스의 라이선스에 따라 출처 플랫폼에서 직접 내려받아야 한다. 소개된 사례 가운데 Eka Care 벤치마크를 활용한 의료 분야 적응에서는 NVIDIA GB300에서 약 14 GPU시간을 학습한 뒤, 학습에서 제외된 클립의 WER이 22.44%에서 12.17%로 떨어졌다. 2,764개 클립 기준 상대적 감소율은 45.8%다.

하지만 공개된 데이터를 살펴보면 몇 가지 불일치와 검증의 한계가 드러난다. 성능 측정은 내부 테스트나 파트너와 함께한 테스트에서 나온 것으로, NVIDIA 블로그 스스로 인정하듯 독립적인 재현은 없다. 또 블로그가 영어 Open ASR 리더보드 평균 오류율로 제시한 5.33%와 모델 카드가 9개 데이터셋의 동일 가중 평균으로 제시한 4.71% 사이에도 차이가 있다. 아마 서로 다른 계산 방식이겠지만, 그 차이는 설명되지 않았다. 속도 수치(100시간 분량의 오디오를 3분 이내에 전사) 역시 아직 출시되지 않은 NVFP4 버전 기준이다. NVIDIA는 적용 범위를 분명히 했다. 블로그에서 “Transcribe is built for recorded audio, not live streaming”이라고 강조했고, 공식 모델 카드에서도 내부적으로 오디오를 블록 단위로 처리한다고 해서 실시간 전사 서비스가 되는 것은 아니라고 거듭 밝혔다. 마찬가지로 라벨은 파일당 최대 8명의 화자를 구분하지만, 누구인지 식별하지는 않는다.

가중치와 데이터셋을 공개하면 개발자에게 구체적인 자원이 생긴다. 하지만 모델의 효과가 제조사 자체 지표로만 측정되는 한, 기술적 투명성은 발표와 실제 검증 사이의 중간에 머문다.

— Olya