Nvidia lance Nemotron 3.5 Transcribe : un modèle de transcription open‑weight multilingue

Nvidia a dévoilé mercredi son nouveau modèle Nemotron 3.5 Transcribe, un outil gratuit et ouvert qui convertit la parole en texte dans jusqu’à 40 langues. En plus du modèle, l’entreprise a publié la deuxième version de son jeu de donnéesDatasetEnsemble de données organisé pour entraîner, valider, tester ou évaluer un modèle d'intelligence artificielle. vocales open‑source, Granary v2, destiné à enrichir les projets de reconnaissance vocaleSpeech-to-TextTechnologie permettant de convertir automatiquement la parole en texte écrit..

Des performances impressionnantes

Selon Nvidia, Nemotron 3.5 peut traduire 31 langues vers et depuis l’anglais, traiter des enregistrements d’une durée maximale d’une heure et différencier jusqu’à huit interlocuteurs dans le même flux audio. Le modèle, qui compte 30 milliards de paramètres, se positionne au‑dessus de ses concurrents sur plusieurs benchmarks, dont le classement Open ASR de Hugging Face. Cette performance est rendue possible grâce à une architecture optimisée qui, d’après Nvidia, peut fonctionner sur une seule puce – du contrôleur robotique Jetson AGX Thor aux puces datacenter Blackwell, en passant par les nouveaux processeurs DGX Spark destinés aux ordinateurs portables.

Le catalogue de modèles vocaux ouverts de Nvidia s’enrichit ainsi d’un nouveau poids lourd, aux côtés du petit mais efficace Parakeet (1,1 milliard de paramètres). Cette diversité offre aux développeurs la possibilité de choisir un modèle adapté à leurs contraintes de calcul ou à la taille du dispositif cible.

Des usages ciblés

Nemotron 3.5 s’adresse avant tout aux développeurs qui construisent des applications de transcription pour les réunions d’entreprise ou les dossiers médicaux, deux domaines où la reconnaissance vocale est déjà bien implantée. En combinant le modèle avec le jeu de données Granary v2 et la boîte à outils NeMo Speech, il devient possible d’ajuster la reconnaissance à un vocabulaire technique ou à des acronymes spécifiques à un secteur. Cette personnalisation peut par exemple améliorer la précision des comptes‑rendus médicaux où les termes spécialisés sont fréquents.

Un point d’attention : le modèle ne traite que des fichiers audio pré‑enregistrés. Les flux en temps réel, comme les appels vidéo ou les assistants vocaux instantanés, restent hors de portée pour l’instant. Les équipes qui ont besoin de transcription en direct devront donc recourir à d’autres solutions ou attendre une éventuelle mise à jour.

Contexte et concurrence

Le lancement de Nemotron 3.5 intervient dans une période très active pour les technologies vocales. Mistral a récemment publié Voxtral 3, ElevenLabs a mis en ligne Realtime, une solution de synthèse instantanée pour les agents conversationnels, et Salesforce a présenté Launa‑Omni, son propre modèle vocal. Cette vague d’annonces montre que le marché cherche à couvrir un spectre toujours plus large de besoins, de la traduction simultanée à la génération de réponses vocales en temps réel.

Perspectives d’évolution

En rendant son modèle disponible en open‑weight, Nvidia mise sur la communauté pour pousser les performances plus loin. Les développeurs peuvent ainsi entraîner des versions spécialisées, par exemple pour la transcription de réunions juridiques ou de cours universitaires, en s’appuyant sur Granary v2 qui fournit une base de données riche et diversifiée. La capacité du modèle à fonctionner sur des puces embarquées ouvre également la porte à des applications sur des robots ou des appareils IoT où les ressources sont limitées.

Pour les entreprises, la promesse d’un outil gratuit, personnalisable et capable de tourner sur du matériel existant représente un atout économique non négligeable. Si les limites liées au traitement uniquement hors‑ligne sont levées dans les prochaines versions, Nemotron 3.5 pourrait devenir une référence pour la transcription multilingue dans les environnements professionnels.