NVIDIA випустила Nemotron 3.5 Transcribe: відкриті ваги для записаного аудіо — технічні деталі та незавершена перевірка

Цієї осені, коли голосові технології привертають велику увагу ринку — про це свідчать нещодавні релізи конкурентів, як-от Mistral і ElevenLabs, згадані TechCrunch, — NVIDIA 28 жовтня 2026 року опублікувала модель Nemotron 3.5 Transcribe. На відміну від Nemotron 3.5 ASR, моделі на 0,6 млрд параметрів для потокової обробки в реальному часі, що вийшла в червні 2026 року, новий реліз із відкритими вагами призначений для аналізу вже записаних аудіофайлів. За даними офіційних каналів компанії на Hugging Face, система поєднує в одному рішенні транскрипцію, переклад, розмітку мовців і відповіді на запитання щодо мовного сигналу, використовуючи гібридну архітектуру Mamba-2/Transformer типу mixture-of-experts з паралельним аудіоенкодером.

Щодо технічних даних, картка моделі вказує загальний розмір близько 34 млрд параметрів (з них близько 4,3 млрд активних з урахуванням енкодера), тоді як офіційна назва «30B-A4B» і блог говорять приблизно про 30 млрд загалом і 4 млрд активних: різниця залежить від того, чи враховується аудіоенкодер. Модель поширюється за ліцензією OpenMDW-1.1 для комерційного й некомерційного використання та підтримує італійську мову в класі продуктивності, який компанія називає 'Leading'. Як обладнання рекомендовано GPU H100 на 80 ГБ. Разом із моделлю NVIDIA відкрила набір даних Granary v2 — 463 062 години мовлення 48 мовами; оригінальні аудіофайли потрібно завантажувати безпосередньо з платформ-джерел, дотримуючись ліцензії кожного корпусу. Серед наведених прикладів — адаптація моделі до медицини на бенчмарку Eka Care: після приблизно 14 GPU-годин навчання на NVIDIA GB300 WER на кліпах, що не брали участі в навчанні, знизився з 22,44% до 12,17%, тобто відносно на 45,8% на 2764 кліпах.

Проте аналіз опублікованих даних виявляє низку розбіжностей і обмежень перевірки. Вимірювання продуктивності отримано у внутрішніх тестах або в тестах із партнерами, без незалежного відтворення, — це визнає і сам блог NVIDIA. Крім того, є розбіжність між середнім рівнем помилок 5,33%, заявленим у дописі для англійського рейтингу Open ASR, і 4,71%, які картка моделі наводить як середнє з рівними вагами за дев'ятьма наборами даних: імовірно, це два різні розрахунки, але різницю не пояснено. Показник швидкості (100 годин аудіо розшифровуються менш ніж за три хвилини) теж стосується ще не випущеної версії NVFP4. NVIDIA чітко окреслила сферу застосування: у блозі наголошено, що «Transcribe is built for recorded audio, not live streaming», а офіційна картка повторює, що внутрішня обробка аудіо блоками не перетворює систему на сервіс транскрипції в реальному часі; так само мітки розрізняють до восьми мовців у файлі, але не ідентифікують їх.

Відкриті ваги й дані дають розробникам конкретні ресурси, але поки ефективність моделі вимірюють лише метриками її виробника, технічна прозорість залишається на півдорозі між анонсом і справжньою перевіркою.

— Olya