Nvidia объявила о выпуске Nemotron 3.5 Transcribe — бесплатной модели с открытым весом, способной транскрибировать аудио на до 40 языках. Одновременно компания выпустила версию 2 открытого набора данных Granary, предназначенного для улучшения обучения систем распознавания речи. По заявлениям Nvidia, Nemotron 3.5 может переводить 31 язык в пары с английским или из английского на другие языки, обрабатывать записи продолжительностью до часа и различать до восьми говорящих. Компания уверяет, что модель превосходит конкурентов на нескольких бенчмарках, включая лидерборд Hugging Face Open ASR Leaderboard. Эти сведения зафиксированы в материалах компании и сопроводительных обзорах.

Технологии нацелены на разработчиков, создающих приложения для деловых встреч и медицинской транскрипции — две «классические» области применения речи в бизнесе. Nvidia говорит, что разработчики смогут использовать саму модель, обновлённый набор Granary и инструменты вроде модели NeMo Speech для адаптации систем под отраслевой жаргон и конкретный язык. Одно ограничение: Transcribe работает с записанным аудио, а не с потоковым вещанием в реальном времени.

На фоне заявлений о масштабируемости и кросс-языковости, Nvidia подчёркивает, что Transcribe имеет 30 миллиардов параметров и может выполняться на одном чипе — от робототехнического контроллера Jetson AGX Thor и чипа DGX Spark, питающего новые ноутбуки, до чипов Blackwell для датацентров. В портфолио открытых голосовых моделей Nvidia также упоминаются Parakeet, компактная модель на 1,1 миллиарда параметров. Эти детали отражены в материалах Nvidia и обзоре отраслевых публикаций.

Появление Nemotron 3.5 происходит на фоне бурления анонсов в индустрии голосовых технологий: на прошлой неделе был представлен Voxtral 3 от Mistral, ElevenLabs запустила Realtime для мгновенного распознавания в голосовых агентх, а Salesforce анонсировала Launa-Omni. Все это подчеркивает активность рынка открытых и коммерческих голосовых моделей в 2026 году.