Nvidia a publié le 28 octobre Nemotron 3.5 Transcribe, un modèle de reconnaissance vocale gratuit et à poids ouverts qui transcrit 40 langues, traduit vers ou depuis l’anglais et distingue jusqu’à huit interlocuteurs. Sa licence autorise un usage commercial. Pour une entreprise, l’intérêt est de transcrire réunions et entretiens sur ses propres machines, sans confier l’audio à un service extérieur, à condition de disposer d’une carte graphique puissante.
Un seul modèle pour transcrire, traduire et attribuer la parole
D’après TechCrunch, le modèle compte 30 milliards de paramètres et traite des enregistrements d’une heure au maximum. The Decoder précise qu’environ 4 milliards seulement sont sollicités à chaque étape de calcul, ce qui allège la charge. La traduction concerne 31 des 40 langues prises en charge, et l’attribution de chaque phrase à un locuteur en couvre 13, dont le français et l’arabe.
Le modèle obéit à des consignes écrites. Selon The Decoder, un même enregistrement de réunion peut ainsi donner une transcription annotée par intervenant, une version traduite en anglais ou un résumé des décisions prises. On peut aussi lui fournir une liste de termes techniques, par exemple des noms de médicaments, qu’il n’utilise que s’ils sont réellement prononcés. Jusqu’ici, Nvidia séparait les tâches : son modèle d’identification des locuteurs présenté peu de temps auparavant, Nemotron 3 Diarization, devait être couplé à un outil de transcription distinct comme Parakeet.
Des performances annoncées, encore à éprouver
Les chiffres disponibles viennent de Nvidia et sont relayés par la presse. Sur l’Open ASR Leaderboard de Hugging Face, un classement en anglais, le modèle afficherait un taux d’erreur moyen de 5,33 %, le meilleur parmi les modèles ouverts, devant Qwen3-ASR-1.7B (5,4 %) et Granite Speech d’IBM (5,68 %), selon The Decoder. Le même média rapporte une vitesse de 100 heures d’audio traitées en moins de trois minutes sur une carte RTX PRO 6000 Blackwell Server Edition.
Sur les conversations où les voix se chevauchent, il arriverait premier de 14 systèmes testés sur VoiceArena, avec 8,32 % de mots omis contre une médiane d’environ 31 %. Le tableau se nuance hors de l’anglais : sur un test couvrant 21 langues, son taux d’erreur atteint 18,26, ce qui reste meilleur que celui de gpt-4o-transcribe-diarize (37,55). TechCrunch, de son côté, se borne à indiquer que Nvidia revendique la première place sur plusieurs bancs d’essai, sans détailler les scores.
Le français bien servi, l’Afrique subsaharienne absente
La fiche du modèle sur Hugging Face classe le français au meilleur niveau de qualité, avec toutes les fonctions : transcription, traduction, attribution des locuteurs et passage d’une langue à l’autre dans une même conversation. L’arabe dispose des mêmes fonctions, mais au niveau « supporté », ce qui signifie qu’un affinage peut être nécessaire pour obtenir de bons résultats. En revanche, aucune langue d’Afrique subsaharienne, comme le swahili, ne figure dans la liste des 40 langues.
Cet affinage est justement l’un des arguments de Nvidia. The Decoder décrit un essai sur des enregistrements de médecins et d’étudiants en médecine indiens : le taux d’erreur passe de 30,8 % à 23,8 % avec une consigne plus précise, puis à 11,8 % après entraînement complémentaire, pour environ 14 heures de calcul sur une seule puce GB300. Nvidia conseille de tester toute version adaptée sur au moins 100 enregistrements réels et vérifiés. L’entreprise publie aussi Granary v2, son jeu de données vocales ouvert, qui couvre désormais 48 langues contre 25 auparavant.
Ce qu’il faut pour l’utiliser en interne
TechCrunch indique que le modèle tourne sur une seule puce Nvidia, du module robotique Jetson AGX Thor et de la DGX Spark jusqu’aux processeurs Blackwell des centres de données. La fiche Hugging Face recommande une carte H100 de 80 Go et mentionne une compatibilité avec la RTX 5090, en précision réduite. Elle cite les moteurs d’inférence vLLM, Transformers et SGLang-Omni, et accepte les fichiers WAV, FLAC, MP3 ou OGG.
Les limites sont nettes. Le modèle ne fonctionne qu’en différé, sur des fichiers enregistrés, et pas sur un flux en direct. Les étiquettes de locuteur distinguent des voix sans identifier les personnes. La compréhension de l’audio n’a été évaluée qu’en anglais, et la génération peut, rarement, tourner en boucle. Selon The Decoder, Nvidia conseille de contrôler par sondage les noms, les changements d’intervenant et les réponses produites.
Le lancement s’inscrit dans une course à la voix. TechCrunch rappelle que Mistral a sorti Voxtral 3 ce mois-ci, que ElevenLabs a lancé Realtime pour les agents vocaux instantanés et que Salesforce a dévoilé son propre modèle vocal. Pour les usages en temps réel, Nvidia laisse donc le terrain à d’autres.
Questions fréquentes
Nemotron 3.5 Transcribe est-il vraiment gratuit pour une entreprise ?
Le modèle est téléchargeable sans frais. Selon sa fiche, il est publié sous licence OpenMDW-1.1 et prêt pour un usage commercial ou non commercial. Le coût réel tient au matériel : il faut une carte graphique haut de gamme ou un serveur loué.
Peut-il transcrire une réunion en direct ?
Non. Il traite uniquement des enregistrements, d’une heure au plus. Pour la transcription instantanée, il faut se tourner vers des outils conçus pour le temps réel.
Fonctionne-t-il en français et en arabe ?
Oui. Le français figure au meilleur niveau de qualité annoncé ; l’arabe est pris en charge mais peut demander un affinage. Les langues d’Afrique subsaharienne ne sont pas couvertes à ce stade.
Sources
- Voice AI in vogue: Nvidia releases new open transcription model — TechCrunch, 2026-10-28
- Nvidia's open Nemotron 3.5 Transcribe combines transcription, translation, and speaker recognition — The Decoder, 2026-10-28
- nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B (fiche du modèle et licence OpenMDW-1.1) — Hugging Face (Nvidia), 2026-10-28