Fyra miljarder aktiva parametrar, delad förstaplats
Nvidia släppte Nemotron 3.5 Transcribe den 28 oktober tillsammans med Granary v2, datamängden den tränats på. Modellen har omkring 30 miljarder parametrar totalt och ungefär 4 miljarder aktiva per token, och kombinerar en talkodare med en hybrid språkmodell av Mamba-Transformer-typ med expertblandning.
På Artificial Analysis AA-WER når den 2,8 procent, delad första plats bland modeller med öppna vikter — mot en modell med 24 miljarder aktiva parametrar, sex gånger så många. På Hugging Faces Open ASR-lista uppger Nvidia 5,33 procents genomsnittlig ordfelsfrekvens på engelska, först bland bidragen med öppna vikter, vid ett RTFx på 462,09; 4,62 procents medelfel över sju språk i den flerspråkiga delen; och 10,98 procent på långa inspelningar, det lägsta i den jämförelse bolaget körde.
En enda kontrollpunkt klarar transkribering, talaridentifiering, översättning och frågor om ljud. Den transkriberar 40 språk, översätter 31 till eller från engelska, identifierar talare på 13, hanterar inspelningar upp till en timme och märker upp till åtta talare. Frågor om ljud är tränade enbart på engelska, och modellen är byggd för inspelat ljud snarare än direktsändning.
Talarseparering, och en datamängd med en siffra på
I David AI:s utvärdering av talarseparering över 21 språk och 14 system får Nemotron 3.5 Transcribe lägst felfrekvens med 18,26 procent, knappt före Nvidias egen Nemotron 3 Diarization på 18,38, medan resten av fältet ligger mellan 22,85 och 37,55 procent. På VoiceArenas engelska Diarization-Bench leder den 14 system med 32,4 procents cpWER, mot 34,2 för Multitalker Parakeet med Nemotron 3 Diarization och ett fält som går från 34,7 till 71,9 procent.
Granary v2, träningskorpusen, är delen med den hårdaste siffran: 463 062 timmar över 48 språk hämtade ur 16 källkorpusar, mot 25 språk i version 1. Manifesten är offentliga på Hugging Face och ModelScope, men källjudet måste laddas ner separat under varje korpus egen licens. Nvidias filtreringssteg skar VoxPopuli från 354 000 timmar till 111 000 över 22 europeiska språk.
Fjorton GPU-timmar medicinsk finjustering
Anpassningsstudien är det mest konkreta resultatet i inlägget. På ett Eka Care-test med 3 619 klipp av indiska läkare och medicinstudenter började modellen på 30,8 procents ordfelsfrekvens på hela testmängden, föll till 23,8 med en bättre prompt som namngav engelska och det latinska alfabetet, och nådde 11,8 efter finjustering — omkring 62 procent färre fel. På de 2 764 undanhållna klippen föll felfrekvensen från 22,44 till 12,17 procent, en relativ förbättring på 45,8 procent, före en öppen medicinsk specialistmodell på 13,79 och en allmän taligenkänningsmodell på 14,92. LibriSpeech test-clean steg något, från 1,54 till 1,69 procent, vilket är avvägningen.
Träningen använde omkring 153 timmar syntetiskt tal plus runt 92 timmar offentliga inspelningar med brytning och medicinskt innehåll, och tog ungefär 14 GPU-timmar på ett enda Nvidia GB300.
Vad inlägget inte säger
Det kallar modellen öppenviktad och namnger aldrig någon licens — i stället hänvisas läsaren till modellkortet. Det spelar större roll än det låter: “öppna vikter” rymmer allt från Apache 2.0 till ett skräddarsytt avtal med användningsbegränsningar, och den skillnaden avgör om modellen får användas kommersiellt.
Det andra att följa är den kvantiserade versionen. Nvidia säger att NVFP4-versioner är på väg och anger 100 timmar ljud transkriberade på under tre minuter på en enda RTX PRO 6000 Blackwell Server Edition för den kommande versionen, vid hög samtidighet och 30-sekundersklipp. Den siffran gäller programvara som ännu inte släppts.
