Nvidia a publié mercredi Nemotron 3.5 Transcribe, un modèle de reconnaissance vocale à poids ouverts qui assure la transcription, l'identification des locuteurs, la traduction et les questions-réponses audio dans un seul point de contrôle. L'entreprise a aussi mis en ligne Granary v2, son jeu de données vocales multilingues open source, ainsi que la chaîne de traitement qui l'a produit. Le modèle et les données sont disponibles sur Hugging Face et ModelScope, avec une démonstration que les développeurs peuvent essayer.
Ce lancement vise les développeurs qui conçoivent des outils de transcription pour les réunions, le médical et le multilingue, deux domaines où l'IA s'est déjà installée durablement en entreprise. Contrairement à ses concurrents de sous-titrage en direct, Transcribe ne traite que l'audio enregistré, pas les flux en temps réel, un choix que Nvidia présente comme assumé et non comme une lacune.
Fiche technique et performances de Nemotron 3.5 Transcribe
Le modèle est un système de mélange d'experts de 30 milliards de paramètres, dont seulement environ 4 milliards sont actifs à chaque étape de traitement. C'est ce qui lui permet, selon Nvidia, de tourner sur des machines allant du contrôleur robotique Jetson AGX Thor et de l'ordinateur IA de bureau DGX Spark jusqu'aux processeurs Blackwell des centres de données.
Nvidia revendique des places de tête dans les classements. Sur le Open ASR Leaderboard anglais de Hugging Face, Transcribe arrive premier parmi les modèles à poids ouverts avec un taux d'erreur moyen sur les mots de 5,33 %, selon l'entreprise. Artificial Analysis lui attribue 2,81 % en AA-WER, soit à peu près le niveau de Voxtral Small à 2,77 %, mais avec environ un sixième des paramètres actifs. Pour l'attribution des locuteurs, Nvidia affirme avoir pris la première place du test VoiceArena à 14 systèmes et signé le meilleur taux d'erreur sur le benchmark de diarisation à 21 langues de David AI.
- Transcrit 40 langues, traduit 31 langues depuis et vers l'anglais, identifie les locuteurs en 13 langues
