NVIDIA выпустила Nemotron 3.5 Transcribe — модель с открытыми весами для распознавания речи. Она поддерживает 40 языков, аудиозаписи продолжительностью до часа и контекст до 65 536 токенов. Текстовая инструкция позволяет выбрать формат результата: дословная или отредактированная расшифровка, указание говорящих, контекстная обработка или перевод.

Модель содержит 34 млрд параметров, около 4,3 млрд из которых активны. Для запуска в формате BF16 требуется один ускоритель H100 с 80 ГБ памяти; также доступны версии FP8 и NVFP4, последняя рассчитана на RTX 5090. По данным публикации, Nemotron 3.5 Transcribe показала лучший результат среди моделей с открытыми весами на англоязычных и многоязычных тестах Open ASR Leaderboards, хотя ведущие коммерческие API сохраняют преимущество.

На девяти публичных англоязычных наборах средняя доля ошибок распознавания составила 4,71% против 4,94% у следующей открытой модели. Результат на тесте AliMeeting для дальних записей встреч на китайском оказался заметно хуже — 34,95% по метрике cpCER. NVIDIA позиционирует модель как единый инструмент для транскрибации, определения говорящих и временной разметки.