Nemotron 3.5 Transcribe : NVIDIA ouvre son modèle vocal

NVIDIA a publié le 28 octobre 2026 Nemotron 3.5 Transcribe, un modèle de reconnaissance vocale à poids ouverts capable de transcrire 40 langues, dont le français. Un seul modèle assure la transcription, la traduction vers et depuis l'anglais, l'identification des locuteurs et la réponse à des questions sur un enregistrement. NVIDIA publie en parallèle Granary v2, un jeu de données vocales ouvert qui a servi à son entraînement.

Un modèle unique pour plusieurs tâches

Nemotron 3.5 Transcribe se pilote par des instructions en langage naturel. Le même modèle peut ainsi produire une transcription mot à mot ou rédigée, une traduction, ou répondre à une question sur le contenu audio. Le développeur peut aussi lui fournir un vocabulaire spécialisé, par exemple des termes médicaux ou des noms de produits, pour améliorer la reconnaissance.

Selon le billet publié par NVIDIA sur Hugging Face, le modèle :

• transcrit 40 langues et en traduit 31 vers ou depuis l'anglais ;
• attribue les paroles à leurs locuteurs dans 13 langues, jusqu'à huit personnes par enregistrement ;
• fournit des horodatages au niveau du mot ;
• traite des enregistrements d'environ une heure.

Le français, dans ses variantes de France et du Canada, figure parmi les langues les mieux prises en charge selon la fiche du modèle : transcription, traduction avec l'anglais, transcription multilocuteur et alternance de langues au sein d'une même phrase. Les questions sur l'audio ne sont en revanche entraînées qu'en anglais.

NVIDIA précise que le modèle vise l'audio enregistré, pas la transcription en direct. Pour le temps réel, l'entreprise propose un modèle distinct et beaucoup plus petit, Nemotron 3.5 ASR.

Architecture, licence et matériel

Le modèle compte environ 34 milliards de paramètres, dont environ 4,3 milliards actifs à chaque étape, encodeur audio compris. Il associe un encodeur audio et un encodeur de locuteurs au modèle de langage Nemotron 3.5 Lightning, une architecture hybride Mamba-2 et Transformer à mélange d'experts.

Il est distribué sous licence OpenMDW 1.1, qui autorise un usage commercial. Les poids sont disponibles sur Hugging Face et ModelScope, et plusieurs hébergeurs, dont Baseten et DeepInfra, le proposent par API. La fiche de référence prévoit un GPU H100 de 80 Go. Des versions quantifiées doivent permettre de l'exécuter localement sur des machines plus modestes, comme la DGX Spark ou un module Jetson AGX Thor.

Des performances à confirmer en pratique

NVIDIA met en avant plusieurs classements. Sur le classement Open ASR de Hugging Face en anglais, le modèle afficherait un taux d'erreur moyen de 5,33 %, le meilleur parmi les modèles à poids ouverts selon l'entreprise. Le cabinet Artificial Analysis le place à égalité en tête des modèles ouverts sur son propre indice. Ces chiffres restent ceux de l'éditeur et de tests standardisés : les résultats sur des enregistrements réels, avec bruit de fond ou accents marqués, devront être vérifiés au cas par cas.

Granary v2, des données ouvertes

Granary v2 rassemble 463 062 heures de parole dans 48 langues, contre 25 pour la première version. NVIDIA publie un index des données : l'audio doit être téléchargé auprès de chaque source d'origine, selon sa propre licence.

Cette sortie renforce la concurrence sur la voix ouverte, où Mistral a récemment renouvelé ses modèles Voxtral. Pour une entreprise française, la possibilité d'héberger elle-même un modèle de transcription performant en français, sans envoyer ses enregistrements à un service tiers, est l'argument le plus concret.