AitopkitNvidia a lancé mercredi 28 octobre 2026 Nemotron 3.5 Transcribe, un modèle vocal gratuit à poids ouverts qui transcrit l'audio dans jusqu'à 40 langues. L'entreprise a également publié la version 2 de Granary, son jeu de données vocal open source.
Les caractéristiques phares visent directement les développeurs d'applications de transcription de réunions et de transcription médicale — deux des usages professionnels les plus établis de l'IA. Selon Nvidia, le modèle peut traduire 31 langues vers et depuis l'anglais, traiter des enregistrements d'une heure maximum et distinguer jusqu'à huit locuteurs dans un même enregistrement. Il affirme aussi surpasser ses rivaux sur les tests de référence, notamment l'Open ASR Leaderboard de Hugging Face — mais ce sont les résultats annoncés par Nvidia, et des tests indépendants sur des enregistrements réels et imparfaits seront le vrai verdict.
La couverture est organisée par niveaux. Dix-neuf variantes locales, dont l'anglais (États-Unis et Royaume-Uni), l'espagnol, le français, l'allemand, l'arabe, l'hindi, le japonais et le coréen, sont jugées prêtes pour la transcription dès leur sortie ; 13 autres bénéficient d'une couverture de qualité production, et 8 supplémentaires sont prêtes pour l'adaptation, c'est-à-dire qu'elles nécessitent un affinage sur des données du domaine pour atteindre leur pleine précision. Cette ampleur permet à un seul modèle de remplacer toute une flotte de déploiements monolingues — un atout majeur pour les outils de réunion mondiaux et les logiciels de centres d'appels.
Avec 30 milliards de paramètres, Nvidia affirme que Transcribe peut tourner sur une seule puce, du contrôleur robotique Jetson AGX Thor et de la puce DGX Spark qui équipe les nouveaux ordinateurs portables, jusqu'aux puces Blackwell pour centres de données. Il rejoint la gamme croissante de modèles vocaux à poids ouverts de Nvidia, dont le bien plus petit modèle Parakeet (1,1 milliard de paramètres), et arrive dans un mois chargé pour la voix IA : Mistral a livré Voxtral 3 plus tôt en octobre, ElevenLabs a lancé Realtime pour la parole instantanée dans les agents vocaux, et Salesforce a publié Launa-Omni.
Une limite à noter : Transcribe fonctionne avec de l'audio enregistré, pas avec des diffusions en direct, donc les usages de sous-titrage en temps réel devront s'appuyer sur un autre outil pour l'instant. Les développeurs peuvent combiner le modèle avec le jeu de données Granary mis à jour et des outils comme le modèle NeMo Speech de Nvidia pour personnaliser les applications selon le jargon d'un secteur dans chaque langue — le type d'ajustement qui détermine si un outil de transcription est réellement utilisable dans un hôpital ou une salle de conseil.