Nemotron 3.5 Transcribe comprend 40 langues et reconnaît jusqu'à huit intervenants
NVIDIA dévoile Nemotron 3.5 Transcribe, un modèle vocal ouvert capable de transcrire 40 langues, d'identifier les locuteurs et de traduire des réunions.
Transcrire une réunion dans 40 langues, reconnaître jusqu'à huit intervenants, traduire les échanges et répondre à des questions sur un enregistrement. Avec Nemotron 3.5 Transcribe, NVIDIA présente un modèle de reconnaissance vocale qui dépasse la simple conversion de la parole en texte. L'objectif est de rassembler plusieurs opérations habituellement confiées à des systèmes distincts dans une seule architecture multimodale, dont le comportement peut être contrôlé par des instructions en langage naturel.
Publié le 28 octobre 2026, le modèle est disponible en poids ouverts sur Hugging Face et ModelScope. Il repose sur une architecture Mixture-of-Experts d'environ 34 milliards de paramètres au total, dont 4,3 milliards sont activés pendant le traitement. NVIDIA le positionne notamment pour les réunions, les centres d'appels, la transcription médicale et l'analyse de longues conversations. Une transcription que l'on peut piloter avec un prompt
Les systèmes de reconnaissance vocale produisent traditionnellement une transcription suivant des conventions prédéfinies. Certains conservent les hésitations, d'autres les suppriment. Les nombres peuvent être retranscrits en toutes lettres ou sous forme numérique, tandis que les termes spécialisés sont parfois mal orthographiés.
Nemotron 3.5 Transcribe introduit une approche plus flexible.
Un développeur peut demander de retranscrire une conversation mot pour mot, de supprimer les hésitations, d'ajouter les noms des intervenants ou de traduire les propos dans une autre langue.
Le même enregistrement peut ainsi produire plusieurs versions adaptées à des besoins différents : compte rendu de réunion, sous-titres, document administratif ou transcription destinée à l'analyse automatique.
Le modèle peut également répondre à des questions concernant le contenu audio. Une instruction peut, par exemple, lui demander quelles décisions ont été prises pendant une réunion.
NVIDIA recommande de désactiver le mode de raisonnement pour les tâches de transcription classiques, mais de l'activer pour certaines questions nécessitant une compréhension plus approfondie de l'enregistrement. Quarante langues, mais des capacités qui varient selon la tâche
NVIDIA annonce la prise en charge de 40 langues pour la transcription, mais les autres fonctions n'offrent pas toutes la même couverture.
Fonction · Prise en charge annoncée Transcription vocale · 40 langues Traduction audio · 31 langues, vers ou depuis l'anglais Attribution des locuteurs · 13 langues Identification des intervenants · Jusqu'à 8 locuteurs Durée des enregistrements · Jusqu'à 60 minutes Fenêtre de contexte · 65 536 tokens
Le système peut également fournir des horodatages au niveau des mots, ce qui permet de synchroniser précisément le texte avec l'enregistrement.
Cette fonctionnalité est utile pour les sous-titres, les archives audiovisuelles ou les outils permettant de retrouver un passage dans une réunion.
NVIDIA présente notamment une démonstration utilisant un extrait de His Girl Friday, film de 1940 connu pour ses dialogues rapides et ses interruptions fréquentes. Le modèle tente d'attribuer les phrases aux différents personnages, y compris lorsque leurs voix se chevauchent.
La séparation des voix reste cependant une tâche difficile. Les performances peuvent se dégrader lorsque plusieurs personnes parlent simultanément, que les microphones sont éloignés ou que le son est fortement compressé. Identifier qui parle sans multiplier les modèles
La reconnaissance des intervenants, appelée diarisation, consiste à déterminer qui parle et à quel moment.
De nombreux systèmes traitent cette opération séparément de la transcription : un modèle reconnaît les mots, puis un second attribue des segments audio à différents locuteurs.
NVIDIA adopte une architecture plus intégrée.
Nemotron 3.5 Transcribe combine un encodeur acoustique Transformer, un composant de diarisation issu de Nemotron 3 et un modèle de langage hybride Mamba-Transformer.
Les informations acoustiques et les indices permettant de différencier les voix sont transmis au modèle de langage, qui peut produire directement un texte associé à des identifiants de locuteurs.
L'approche vise à réduire les incohérences entre les mots reconnus et leur attribution, notamment dans les conversations où les prises de parole se chevauchent.
Ces identifiants distinguent des intervenants à l'intérieur d'un enregistrement. Ils ne constituent pas une reconnaissance de leur identité civile. NVIDIA revendique plusieurs premières places dans les benchmarks
Le modèle obtient des résultats élevés sur plusieurs évaluations publiques, mais celles-ci ne mesurent pas toutes la même chose.
Sur le classement anglophone Open ASR de Hugging Face, NVIDIA annonçait initialement 5,33 % de taux d'erreur moyen sur les mots, ou WER, avec la première place parmi les modèles à poids ouverts.
Le rapport de recherche et la fiche technique présentent également un score de 4,71 %, selon un ensemble de neuf tests publics. Ces deux chiffres correspondent à des protocoles ou états d'évaluation différents et ne doivent pas être présentés comme interchangeables.
Sur l'évaluation multilingue Open ASR, le modèle atteint 4,62 % de WER moyen sur sept langues.
L'indicateur WER mesure les mots incorrectement reconnus, ajoutés ou omis. Plus il est faible, meilleure est la transcription.
Sur Artificial Analysis, Nemotron 3.5 Transcribe se situe autour de 2,8 % de taux d'erreur, un résultat proche de Voxtral Small de Mistral. La comparaison est notable puisque Nemotron active environ 4,3 milliards de paramètres, contre 24 milliards pour Voxtral Small.
Il ne faut toutefois pas en déduire une supériorité absolue. Les classements varient selon les jeux de données et leurs règles de traitement. Certains services propriétaires obtiennent de meilleurs résultats sur la reconnaissance générale, tandis que d'autres modèles se spécialisent dans la vitesse ou certaines langues. Des conversations difficiles, avec plusieurs voix simultanées
La