MetaPatchAI home
AI

NVIDIA Nemotron 3.5 Transcribe: Model Suara Terbuka yang Mentranskripsi 40 Bahasa dan Menandai Siapa Bicara Apa

Sumber: NVIDIA

Dihimpun oleh MetaPatchAI · Diterbitkan , 05.05 ET

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

30 Oktober 2026: NVIDIA merilis Nemotron 3.5 Transcribe pada Rabu, 28 Oktober. Ini model suara open-weight yang menggabungkan transkripsi, label pembicara, terjemahan, dan tanya jawab audio dalam satu checkpoint. Model ini tersedia di Hugging Face dan ModelScope, bersama pipeline data terbuka bernama Granary v2.

Kemampuannya

Menurut pengumuman NVIDIA di blog Hugging Face, Nemotron 3.5 Transcribe:

  • Mentranskripsi 40 bahasa, menerjemahkan 31 di antaranya ke atau dari bahasa Inggris, dan mengenali pembicara dalam 13.
  • Menerima prompt bahasa alami, sehingga satu rekaman bisa menghasilkan output berbeda: "transkripsikan dan beri label tiap pembicara", terjemahan, atau transkrip yang mengeja istilah khusus dengan benar jika kamu mencantumkannya di prompt.
  • Mendukung timestamp per kata.
  • Dibuat untuk audio rekaman, bukan streaming langsung.

NVIDIA mengatakan model ini sudah bisa dijalankan dengan vLLM, dengan versi terkuantisasi dan deployment lokal lewat NeMo-Speech.cpp.

Angka yang dilaporkan NVIDIA

Ini angka NVIDIA sendiri dari postingannya:

  • Hugging Face Open ASR Leaderboard (bahasa Inggris): peringkat pertama di antara model open-weight dengan word error rate (WER) rata-rata 5,33%. Multibahasa: WER rata-rata 4,62% di tujuh bahasa. Bentuk panjang: 10,98%.
  • Artificial Analysis: berbagi peringkat pertama di antara model open-weight dengan AA-WER 2,8%, dengan sekitar 4B parameter aktif dibanding 24B pada model yang setara dengannya.
  • Atribusi pembicara: diarization error rate 18,26% di 21 bahasa pada leaderboard David AI, terendah dari 14 sistem yang diuji, dan cpWER 32,4% pada benchmark bahasa Inggris 14 sistem milik VoiceArena.
  • Kecepatan: 100 jam audio dalam waktu kurang dari tiga menit pada satu GPU RTX PRO 6000 Blackwell Server Edition, memakai versi terkuantisasi NVFP4 yang akan datang, diukur pada klip 30 detik dengan konkurensi tinggi.

Artinya bagi kreator dan gamer

Bagi streamer, YouTuber, dan community manager, model terbuka yang memberi teks pada audio rekaman dan menandai pembicara dalam sekali proses sangat berguna: subtitle untuk VOD dan klip, transkrip podcast atau rekaman Discord yang bisa dicari, dan teks multibahasa. Karena bobotnya terbuka, model ini bisa berjalan di hardware kamu sendiri, bukan lewat API berbayar. Saran NVIDIA sendiri tetap berlaku: periksa sekilas nama, pergantian pembicara, dan jawaban dengan membandingkannya ke rekaman.

Ini bukan alat teks langsung. NVIDIA mengatakan model ini ditujukan untuk audio rekaman, jadi teks real-time untuk stream belum termasuk untuk saat ini.

Granary v2

NVIDIA juga merilis Granary v2, pipeline data dan kurasi multibahasa yang dipakai dalam pelatihan, beserta resep fine-tuning NeMo Speech. Dalam studi kasus medis, NVIDIA mengatakan fine-tuning memangkas word error rate pada pembicara yang tidak disertakan dalam pelatihan sebesar 45,8%. Untuk dataset VoxPopuli, filter fidelitas tingginya memangkas 354.000 jam menjadi 111.000 jam di 22 bahasa Eropa.

Yang terkonfirmasi / belum terkonfirmasi

Terkonfirmasi (NVIDIA, 28 Oktober 2026): - Rilis open-weight di Hugging Face dan ModelScope; data dan pipeline Granary v2 dirilis. - Cakupan bahasa (40 / 31 / 13) dan peringkat leaderboard di atas, sesuai laporan NVIDIA.

Belum terkonfirmasi: - Replikasi independen atas angka kecepatan, yang memakai versi terkuantisasi yang disebut NVIDIA "akan datang." - Ketentuan lisensi yang pasti dan memori GPU konsumen yang dibutuhkan (tidak dibahas di postingan; cek model card).

Sumber

Terkait

Naik: AI