NVIDIA Nemotron 3.5 Transcribe: 40 भाषाओं को ट्रांसक्राइब करने और कौन क्या बोला यह बताने वाला ओपन स्पीच मॉडल

स्रोत: NVIDIA

MetaPatchAI द्वारा संकलित · प्रकाशित 30 अक्टूबर 2026, पूर्वाह्न 5:05 ET

NVIDIA Nemotron 3.5 Transcribe: An Open Speech Model That Transcribes 40 Languages and Labels Who Said What

30 अक्टूबर 2026: NVIDIA ने बुधवार, 28 अक्टूबर को Nemotron 3.5 Transcribe जारी किया, एक ओपन-वेट स्पीच मॉडल जो ट्रांसक्रिप्शन, स्पीकर लेबल, अनुवाद और ऑडियो पर सवाल-जवाब को एक ही चेकपॉइंट में जोड़ता है। यह Hugging Face और ModelScope पर उपलब्ध है, साथ में Granary v2 नाम की एक ओपन डेटा पाइपलाइन भी।

यह क्या करता है

Hugging Face ब्लॉग पर NVIDIA की घोषणा के अनुसार, Nemotron 3.5 Transcribe:

40 भाषाओं को ट्रांसक्राइब करता है, इनमें से 31 का अंग्रेज़ी से या अंग्रेज़ी में अनुवाद करता है, और 13 में स्पीकर पहचानता है.
इनपुट में नेचुरल-लैंग्वेज प्रॉम्प्ट लेता है, इसलिए एक ही रिकॉर्डिंग से अलग-अलग आउटपुट मिल सकते हैं: "ट्रांसक्राइब करो और हर स्पीकर को लेबल करो," एक अनुवाद, या ऐसा ट्रांसक्रिप्ट जो प्रॉम्प्ट में दिए गए खास शब्दों की सही स्पेलिंग लिखे।
सपोर्ट: शब्द-स्तर के टाइमस्टैम्प.
इसके लिए बना है: रिकॉर्ड किया हुआ ऑडियो, लाइव स्ट्रीमिंग नहीं.

NVIDIA का कहना है कि इसे आज ही vLLM के साथ चलाया जा सकता है, क्वांटाइज़्ड वर्ज़न और NeMo-Speech.cpp के ज़रिए लोकल डिप्लॉयमेंट के साथ।

NVIDIA के बताए आँकड़े

ये NVIDIA के अपने आँकड़े हैं, उसकी पोस्ट से:

Hugging Face Open ASR Leaderboard (अंग्रेज़ी): ओपन-वेट मॉडल में पहला स्थान, 5.33% औसत वर्ड एरर रेट (WER)। बहुभाषी: सात भाषाओं में 4.62% औसत WER। लंबे ऑडियो पर: 10.98%।
Artificial Analysis: ओपन-वेट मॉडल में संयुक्त पहला स्थान, 2.8% AA-WER, लगभग 4B एक्टिव पैरामीटर के साथ, जबकि बराबरी वाले मॉडल में 24B हैं।
स्पीकर पहचान: David AI के लीडरबोर्ड पर 21 भाषाओं में 18.26% डायराइज़ेशन एरर रेट, जो टेस्ट किए गए 14 सिस्टम में सबसे कम है, और VoiceArena के 14-सिस्टम अंग्रेज़ी बेंचमार्क पर 32.4% cpWER।
स्पीड: एक RTX PRO 6000 Blackwell Server Edition GPU पर तीन मिनट से कम में 100 घंटे का ऑडियो, आने वाले NVFP4 क्वांटाइज़्ड वर्ज़न के साथ, 30 सेकंड की क्लिप पर हाई कॉन्करेंसी में मापा गया।

क्रिएटर्स और गेमर्स के लिए इसका मतलब

स्ट्रीमर्स, YouTubers और कम्युनिटी मैनेजर्स के लिए ऐसा ओपन मॉडल सीधे काम का है जो रिकॉर्ड किए गए ऑडियो के कैप्शन बनाए और एक ही बार में स्पीकर टैग करे: VOD और क्लिप के सबटाइटल, पॉडकास्ट या Discord रिकॉर्डिंग के खोजे जा सकने वाले ट्रांसक्रिप्ट, और कई भाषाओं में कैप्शन। वेट ओपन हैं, इसलिए यह किसी पेड API के बजाय आपके अपने हार्डवेयर पर चल सकता है। NVIDIA की अपनी सलाह लागू होती है: नाम, स्पीकर बदलना और जवाब रिकॉर्डिंग से मिलाकर जाँचें।

यह लाइव कैप्शनिंग टूल नहीं है। NVIDIA के मुताबिक़ इसका लक्ष्य रिकॉर्ड किया हुआ ऑडियो है, इसलिए रियल-टाइम स्ट्रीम कैप्शन अभी इसके दायरे से बाहर हैं।

Granary v2

NVIDIA ने Granary v2 भी जारी किया, जो ट्रेनिंग में इस्तेमाल हुई बहुभाषी डेटा और क्यूरेशन पाइपलाइन है, NeMo Speech फ़ाइन-ट्यूनिंग रेसिपी के साथ। एक मेडिकल केस स्टडी में NVIDIA का कहना है कि फ़ाइन-ट्यूनिंग से नए स्पीकर्स पर वर्ड एरर रेट 45.8% घटा। VoxPopuli डेटासेट के लिए उसके हाई-फ़िडेलिटी फ़िल्टर ने 22 यूरोपीय भाषाओं में 354,000 घंटे को घटाकर 111,000 घंटे कर दिया।

क्या पुष्ट है / क्या नहीं

पुष्टि (NVIDIA, 28 अक्टूबर 2026): - Hugging Face और ModelScope पर ओपन-वेट रिलीज़; Granary v2 डेटा और पाइपलाइन जारी। - भाषा कवरेज (40 / 31 / 13) और ऊपर बताई गई लीडरबोर्ड रैंकिंग, जैसा NVIDIA ने बताया।

पुष्टि नहीं हुई: - स्पीड के आँकड़े की स्वतंत्र पुष्टि, जिसमें ऐसा क्वांटाइज़्ड वर्ज़न इस्तेमाल हुआ जिसे NVIDIA "आने वाला" कहता है। - लाइसेंस की सटीक शर्तें और कंज़्यूमर GPU पर ज़रूरी मेमोरी (पोस्ट में नहीं; मॉडल कार्ड देखें)।

स्रोत

आधिकारिक: NVIDIA, "NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt," Hugging Face ब्लॉग (28 अक्टूबर 2026): https://huggingface.co/blog/nvidia/nemotron-transcribe-granary