NVIDIA выпустила Nemotron 3.5 Transcribe: открытые веса для записанного аудио — технические детали и незавершённая проверка

Этой осенью, когда голосовые технологии привлекают большое внимание рынка — об этом говорят недавние релизы конкурентов вроде Mistral и ElevenLabs, упомянутые TechCrunch, — NVIDIA 28 октября 2026 года опубликовала модель Nemotron 3.5 Transcribe. В отличие от Nemotron 3.5 ASR, модели на 0,6 млрд параметров для потоковой обработки в реальном времени, вышедшей в июне 2026 года, новый релиз с открытыми весами предназначен для анализа уже записанных аудиофайлов. По данным официальных каналов компании на Hugging Face, система объединяет в одном решении транскрипцию, перевод, разметку говорящих и ответы на вопросы по речевому сигналу, используя гибридную архитектуру Mamba-2/Transformer типа mixture-of-experts с параллельным аудиоэнкодером.

Что касается технических данных, карточка модели указывает общий размер около 34 млрд параметров (из них около 4,3 млрд активных с учётом энкодера), тогда как официальное название «30B-A4B» и блог говорят примерно о 30 млрд всего и 4 млрд активных: разница зависит от того, учитывается ли аудиоэнкодер. Модель распространяется по лицензии OpenMDW-1.1 для коммерческого и некоммерческого использования и поддерживает итальянский язык в классе производительности, который компания называет 'Leading'. В качестве оборудования рекомендуется GPU H100 на 80 ГБ. Вместе с моделью NVIDIA открыла набор данных Granary v2 — 463 062 часа речи на 48 языках; исходные аудиофайлы нужно скачивать напрямую с платформ-источников с соблюдением лицензии каждого корпуса. Среди приведённых примеров — адаптация модели к медицине на бенчмарке Eka Care: после примерно 14 GPU-часов обучения на NVIDIA GB300 WER на клипах, не участвовавших в обучении, снизился с 22,44% до 12,17%, то есть относительно на 45,8% на 2764 клипах.

Однако анализ опубликованных данных выявляет ряд расхождений и ограничений проверки. Замеры производительности получены во внутренних тестах или в тестах с партнёрами, без независимого воспроизведения, — это признаёт и сам блог NVIDIA. Кроме того, есть расхождение между средним уровнем ошибок 5,33%, заявленным в публикации для английского рейтинга Open ASR, и 4,71%, которые карточка модели приводит как среднее с равными весами по девяти наборам данных: вероятно, это два разных расчёта, но разница не объяснена. Показатель скорости (100 часов аудио расшифровываются меньше чем за три минуты) тоже относится к ещё не выпущенной версии NVFP4. NVIDIA чётко обозначила область применения: в блоге подчёркивается, что «Transcribe is built for recorded audio, not live streaming», а официальная карточка повторяет, что внутренняя обработка аудио блоками не превращает систему в сервис транскрипции в реальном времени; точно так же метки различают до восьми говорящих в файле, но не идентифицируют их.

Открытые веса и данные дают разработчикам конкретные ресурсы, но пока эффективность модели измеряется только метриками её производителя, техническая прозрачность остаётся на полпути между анонсом и настоящей проверкой.

— Olya