Qu’est-ce que NVIDIA Nemotron 3.5 Transcribe ?
Nemotron 3.5 Transcribe est un modèle vocal hors ligne de NVIDIA, publié sur Hugging Face, NGC et build.nvidia.com le 28 octobre 2026. Il associe un encodeur ASR de 600M de paramètres et un encodeur de locuteur de 99M au modèle de langage Nemotron 3.5 Lightning, un mélange d'experts hybride Mamba-Transformer : 34 milliards de paramètres au total, dont environ 4,3 milliards actifs par token, encodeur audio compris.
Un seul checkpoint gère la transcription en 40 langues, le texte verbatim ou nettoyé, les transcriptions attribuées par locuteur avec horodatage par mot, la traduction depuis et vers l'anglais, l'identification de la langue, des indications de vocabulaire dans le prompt et les questions-réponses sur l'audio en anglais. Il accepte des enregistrements d'une heure maximum et n'est pas un modèle de streaming.
Les poids sont sous licence OpenMDW-1.1, qui autorise l'usage commercial, en versions BF16, FP8 et NVFP4. NVIDIA a aussi publié Granary v2, 463 062 heures de données vocales en 48 langues. DeepInfra l'héberge à 0,002 $ la minute d'audio.
Combien coûte NVIDIA Nemotron 3.5 Transcribe ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Weights | Free | OpenMDW-1.1, usage commercial autorisé |
| DeepInfra API | $0.002 per audio minute | Jusqu'à 60 minutes par requête |
Poids ouverts sous OpenMDW-1.1. DeepInfra : 0,002 $ par minute d'audio (0,12 $ l'heure) ; OpenRouter route vers DeepInfra à un tarif proche.
NVIDIA Nemotron 3.5 Transcribe vaut-il le coup ?
Nemotron 3.5 Transcribe est le modèle de transcription ouvert le plus fort dans les tests indépendants, et le premier modèle ouvert à faire l'essentiel d'une chaîne de comptes rendus de réunion en un seul appel. Artificial Analysis le place à 2,8 % sur son indice AA-WER, à égalité en tête des modèles à poids ouverts avec Voxtral Small de Mistral (2,77 % contre ses 2,81 %), avec environ un sixième des 24B paramètres actifs de Voxtral. Sur l'Open ASR Leaderboard de Hugging Face, il est premier des modèles ouverts avec un WER moyen en anglais de 5,33 %, devant Qwen3-ASR-1.7B à 5,4.
Ce qui le distingue, c'est le prompt. Le style de transcription, les indications de vocabulaire, les étiquettes de locuteur et la traduction se choisissent dans l'instruction, et les chiffres multi-locuteurs de NVIDIA (15,80 de cpWER moyen sur les sessions complètes d'AMI, CALLHOME, Mixer 6 et NOTSOFAR-1, contre 16,83 pour le meilleur système publié suivant) sont autodéclarés, mais cohérents avec les classements externes. L'adaptation à un domaine coûte peu : sur le jeu de données vocales médicales d'Eka Care, le WER est passé de 30,8 % à 23,8 % avec un meilleur prompt, et à 11,8 % après environ 14 heures GPU de fine-tuning sur une GB300.
Les limites ressortent clairement de la fiche. Il fonctionne uniquement hors ligne, donc les sous-titres en direct et les agents vocaux qui ont besoin de résultats partiels exigent toujours un modèle de streaming comme Parakeet. La prise en charge des langues est inégale : 40 langues pour la transcription, 31 pour la traduction et 13 pour les étiquettes de locuteur, le mandarin, l'arabe et le bengali n'étant notés que « supported ». Les questions sur l'audio ont été entraînées en anglais. Les modèles fermés restent devant dans l'ensemble ; Gemini 3.5 Transcribe est à 2,60 % sur le classement Open ASR.
L'auto-hébergement demande une H100 de 80GB pour les poids BF16. Les chiffres de service les plus rapides de NVIDIA, 2 238 secondes d'audio par seconde sur une RTX PRO 6000, viennent de sa version NIM ; la voie ouverte vLLM livrée le jour de la sortie est, selon l'estimation de NVIDIA elle-même, environ deux fois moins rapide. Au prix de DeepInfra, la transcription coûte un tiers du tarif historique de l'API Whisper d'OpenAI, l'option hébergée sera donc le choix raisonnable par défaut pour la plupart des équipes en dessous de quelques milliers d'heures par mois.
Là où il fait la différence
Un data engineer dans un centre de contacts de 300 postes
Transcrire et attribuer 10 000 heures d'appels enregistrés par mois
Chez DeepInfra à 0,12 $ l'heure, cela fait environ 1 200 $ par mois, avec des étiquettes de locuteur <spk:N> et un horodatage par mot dans une seule réponse. Les noms de produits vont dans le prompt comme termes de contexte plutôt que dans une étape de biais séparée.
Un ingénieur ML dans une start-up de santé numérique
Adapter la transcription au vocabulaire clinique
L'exemple Eka Care de NVIDIA a fait passer le WER de 30,8 % à 11,8 % avec environ 245 heures de données et 14 heures GPU sur une GB300. L'anglais général s'est légèrement dégradé (LibriSpeech clean de 1,54 % à 1,69 %), testez donc les deux.
Une productrice de localisation dans un groupe de médias européen
Produire des transcriptions et traductions en anglais d'entretiens en tchèque, polonais ou allemand
Ces langues sont notées « leading » pour la transcription et la traduction dans les deux sens. Un enregistrement d'une heure tient dans une seule requête ; les noms et les lieux doivent toujours être vérifiés par sondage sur l'audio, comme le conseille NVIDIA.
Avant de vous engager
- Mise en route
- Hébergé : un appel de style OpenAI à DeepInfra ou OpenRouter (nvidia/nemotron-3.5-transcribe). Auto-hébergé : vLLM 0.32.0 avec le plugin NeMo Speech sur une H100 80GB, ou SGLang-Omni 0.2.0 ; Transformers fonctionne depuis les sources.
- Intégrations
- vLLM, SGLang-Omni, Hugging Face Transformers, GGML sur RTX 5090 et RTX PRO 6000, NeMo Speech pour le fine-tuning ; hébergé chez DeepInfra, Baseten et Simplismart.
- Données et confidentialité
- OpenMDW-1.1 autorise l'usage commercial. NVIDIA indique qu'aucune interaction d'utilisateurs avec des produits déployés n'a servi à l'entraînement. DeepInfra indique ne conserver ni audio ni transcription après une requête.
- Coût à grande échelle
- 1 000 heures d'audio coûtent 120 $ chez DeepInfra, qui facture chaque minute, silences compris. L'auto-hébergement demande une H100 de 80GB (BF16) ou une L40S de 48GB (FP8).
- Limites
- Jusqu'à une heure et 65 536 tokens par requête, jusqu'à huit locuteurs ; hors ligne uniquement ; questions sur l'audio testées en anglais seulement ; la fiche précise qu'une généralisation au-delà de la limite d'entraînement d'une heure n'est pas garantie.
Les points forts
- À égalité en tête des modèles ouverts chez Artificial Analysis à 2,8 % d'AA-WER, avec environ 4B paramètres actifs
- Étiquettes de locuteur, horodatage par mot, traduction et indications de vocabulaire dans un seul checkpoint
- 0,002 $ par minute d'audio chez DeepInfra
- Licence OpenMDW-1.1 et recettes de fine-tuning publiées dans NeMo Speech
Les points faibles
- Hors ligne uniquement ; pas de résultats partiels en streaming
- Étiquettes de locuteur en 13 langues, traduction en 31
- La voie de service la plus rapide est réservée à NIM pour l'instant ; vLLM ouvert est environ deux fois plus lent
- Les poids BF16 exigent un GPU de 80GB
Idéal pour
Les équipes qui transcrivent en volume des appels, réunions ou médias enregistrés et veulent étiquettes de locuteur et vocabulaire métier sans assembler plusieurs modèles.
Alternatives à NVIDIA Nemotron 3.5 Transcribe
NVIDIA Nemotron 3.5 Transcribe : questions fréquentes
- NVIDIA Nemotron 3.5 Transcribe vaut-il le coup ?
- Un modèle vocal ouvert qui égale les meilleurs rivaux ouverts en précision et réunit diarisation, traduction et vocabulaire personnalisé dans un seul prompt, pour 0,12 $ l'heure en hébergé. Nous lui donnons 4.5 sur 5.
- Combien coûte NVIDIA Nemotron 3.5 Transcribe ?
- Poids ouverts sous OpenMDW-1.1. DeepInfra : 0,002 $ par minute d'audio (0,12 $ l'heure) ; OpenRouter route vers DeepInfra à un tarif proche.
- Quels sont les inconvénients de NVIDIA Nemotron 3.5 Transcribe ?
- Hors ligne uniquement ; pas de résultats partiels en streaming; étiquettes de locuteur en 13 langues, traduction en 31; la voie de service la plus rapide est réservée à NIM pour l'instant ; vLLM ouvert est environ deux fois plus lent; les poids BF16 exigent un GPU de 80GB.
- À qui s’adresse NVIDIA Nemotron 3.5 Transcribe ?
- Les équipes qui transcrivent en volume des appels, réunions ou médias enregistrés et veulent étiquettes de locuteur et vocabulaire métier sans assembler plusieurs modèles.
- Combien coûte NVIDIA Nemotron 3.5 Transcribe pour une équipe ou en production ?
- 1 000 heures d'audio coûtent 120 $ chez DeepInfra, qui facture chaque minute, silences compris. L'auto-hébergement demande une H100 de 80GB (BF16) ou une L40S de 48GB (FP8).
- NVIDIA Nemotron 3.5 Transcribe est-il sûr pour les données de l’entreprise ?
- OpenMDW-1.1 autorise l'usage commercial. NVIDIA indique qu'aucune interaction d'utilisateurs avec des produits déployés n'a servi à l'entraînement. DeepInfra indique ne conserver ni audio ni transcription après une requête.
- Quelles sont les meilleures alternatives à NVIDIA Nemotron 3.5 Transcribe ?
- Les alternatives les plus proches que nous avons testées sont Voxtral 3 (Transcribe and TTS), Parakeet TDT 0.6B v3, Whisper large-v3-turbo et MOSS-Transcribe-Diarize 0.9B.
Réponses vérifiées le 31 oct. 2026.