NVIDIA, Nemotron 3.5 Transcribe ile çok konuşmacılı transkripsiyonu duyurduNVIDIA announces Nemotron 3.5 Transcribe for multi-speaker transcription

ÖzetSummary

NVIDIA, 34 milyar parametreli (4 milyar aktif) MoE mimarisiyle çalışan Nemotron 3.5 Transcribe'ı yayımladı. Model, tek bir kontrol noktasında 40 dilde bir saate kadar ses kaydını işliyor; konuşmacı ayrımı, bağlamsal istem ve çeviri özelliklerini bir arada sunuyor. Açık ağırlıklı olarak OpenMDW-1.1 lisansı altında sunuluyor. İngilizce dilinde açık modeller arasında Open ASR Leaderboard'da birinci sırada yer alıyor. Artificial Analysis WER endeksinde ise Voxtral Small Transcribe ile aynı puana sahip.NVIDIA has released Nemotron 3.5 Transcribe, featuring a 34-billion parameter (4 billion active) MoE architecture. The model processes up to one hour of audio in 40 languages within a single checkpoint, offering speaker diarization, contextual prompting, and translation capabilities. It is released as open weights under the OpenMDW-1.1 license. Among open models, it ranks first on the Open ASR Leaderboard for English. On the Artificial Analysis WER index, it ties with Voxtral Small Transcribe.

Neden ÖnemliWhy it matters

Transkripsiyon, konuşmacı atfı, çeviri ve ses anlama özelliklerini tek bir istemlenebilir kontrol noktasında birleştiren model, çoğu üretim ses yığınında hâlâ zorunlu olan çoklu model boru hatlarına olan ihtiyacı ortadan kaldırıyor. Sadece 4 milyar aktif parametreyle üst düzey WER değerlerine ulaşan verimliliği, 30 milyar parametrenin üzerindeki yoğun modellere kıyasla çok daha az donanımla yüksek kaliteli çok dilli transkripsiyonu mümkün kılıyor. Aynı anda yayımlanan Granary v2 eğitim veri kümesi de ince ayar ve bağımsız araştırmalar için engelleri düşürüyor.By integrating transcription, speaker attribution, translation, and speech understanding into a single promptable checkpoint, the model eliminates the need for multi-model pipelines that are still common in production voice stacks. Its efficiency, achieving top-tier WER scores with only 4 billion active parameters, enables high-quality multilingual transcription with significantly less hardware compared to dense models with over 30 billion parameters. The simultaneous release of the Granary v2 training dataset also lowers barriers for fine-tuning and independent research.

Öne ÇıkanlarHighlights

• 34 milyar toplam / 4 milyar aktif parametreli MoE mimarisi, yerleşik konuşmacı ayrımı ile 40 dilde 1 saatlik ses kaydını işliyor34B total / 4B active parameter MoE architecture processes 1 hour of audio in 40 languages with built-in speaker diarization
• Open ASR Leaderboard (İngilizce) ve Artificial Analysis endeksinde açık modeller arasında en düşük WER; Voxtral Small Transcribe ile eşitLowest WER among open models on the Open ASR Leaderboard (English) and Artificial Analysis index; ties with Voxtral Small Transcribe
• Açık ağırlıklı (OpenMDW-1.1); Granary v2 veri kümesi de yayımlandı; kuantize sürümler planlanıyor ancak henüz sunulmadıOpen weights (OpenMDW-1.1); Granary v2 dataset released; quantized versions are planned but not yet available

EleştiriCritical take

NVIDIA'nın kendi katmanlandırmasında Japonca, en üst seviye olan 'Lider' yerine yalnızca 'Üretime hazır' olarak sınıflandırılıyor. Ayrıca model, WER kıyaslamasında Voxtral Small Transcribe'ın önünde değil, onunla eşit durumda. Bu nedenle 'en iyi açık model' ifadesi, başlığın ima ettiğinden daha dar bir kapsam taşıyor. Bunun yanı sıra OpenMDW-1.1, izin verici açık kaynak bir lisans değil, kısıtlı bir açık ağırlıklı lisans. Vaat edilen kuantize sürümler ise hâlâ yalnızca 'planlanan' aşamasında. Bu durum, kaynak kısıtlı kullanıcılar için anında devreye alma esnekliğini sınırlıyor.In NVIDIA's own tiering, Japanese is classified as 'Production-ready' rather than the top-tier 'Leader.' Additionally, the model does not outperform Voxtral Small Transcribe in WER comparisons but ties with it. Therefore, the claim of being the 'best open model' carries a narrower scope than the headline implies. Furthermore, OpenMDW-1.1 is a restricted open-weights license, not a permissive open-source license. The promised quantized versions are still only in the 'planned' stage. This limits immediate deployment flexibility for users with constrained resources.