Nvidia ha rilasciato Nemotron 3.5 Transcribe, un modello gratuito a pesi aperti per trascrivere registrazioni audio in fino a 40 lingue. La novità punta alle applicazioni per riunioni aziendali e trascrizione medica, con traduzione da e verso l’inglese per 31 lingue.
Il modello può distinguere fino a otto voci e lavorare su file audio lunghi fino a un’ora, ma ha un limite netto: è progettato per audio registrato e non per trascrizioni in diretta.
Un modello per trascrivere, tradurre e separare le voci
Nemotron 3.5 Transcribe è il nuovo modello vocale di Nvidia dedicato alla conversione dell’audio in testo. L’azienda lo presenta come un progetto open-weight, quindi con pesi del modello disponibili agli sviluppatori, e lo affianca alla seconda versione di Granary, il suo dataset open source per il parlato.
Le funzioni dichiarate vanno oltre la semplice trascrizione. Il modello può tradurre 31 lingue da e verso l’inglese, gestire registrazioni della durata massima di un’ora e identificare fino a otto persone che parlano nella stessa registrazione. Quest’ultima capacità è utile, per esempio, quando occorre attribuire le battute ai partecipanti di una riunione.
Nvidia sostiene inoltre che il modello superi soluzioni concorrenti in alcuni benchmark, compresa la classifica Open ASR Leaderboard di Hugging Face. Si tratta di un risultato attribuito dall’azienda, non di una prova indipendente sulle prestazioni in ogni scenario d’uso.
L’obiettivo sono riunioni e documentazione medica
Il rilascio è rivolto soprattutto a chi sviluppa software per contesti lavorativi nei quali la trascrizione automatica è già diffusa: riunioni, appunti e documentazione in ambito sanitario. Il punto non è soltanto riconoscere le parole, ma adattare il sistema al linguaggio specifico di un settore.
Per farlo, Nvidia indica l’uso combinato di Nemotron 3.5 Transcribe, del dataset Granary aggiornato e di strumenti come NeMo Speech. Gli sviluppatori possono così personalizzare le applicazioni affinché riconoscano meglio termini tecnici e gergo professionale nelle diverse lingue supportate.
La disponibilità dei pesi può rendere questo approccio interessante per chi vuole costruire o modificare un flusso di trascrizione senza dipendere esclusivamente da un servizio chiuso. La fonte non specifica però modalità operative, costi infrastrutturali o risultati della personalizzazione nei singoli settori.
Può girare su un solo chip, secondo Nvidia
Con i suoi 30 miliardi di parametri, il modello non viene presentato come leggero. Nvidia afferma comunque che può essere eseguito su un singolo chip, dai controller robotici Jetson AGX Thor e dal chip DGX Spark destinato ai nuovi laptop, fino ai chip Blackwell per data center.
Questa indicazione descrive l’ampiezza dell’hardware citato da Nvidia, ma non significa che ogni dispositivo offrirà la stessa velocità o la stessa configurazione d’uso. La fonte non comunica tempi di elaborazione né requisiti dettagliati per ciascuna piattaforma.
Nemotron 3.5 Transcribe si aggiunge agli altri modelli vocali open-weight dell’azienda, tra cui Parakeet da 1,1 miliardi di parametri. Il rilascio arriva inoltre in una fase affollata per l’AI vocale: di recente Mistral ha pubblicato Voxtral 3, ElevenLabs ha lanciato Realtime per agenti vocali e Salesforce ha reso disponibile Launa-Omni.
Il limite: niente audio in streaming
La distinzione più importante riguarda il tipo di input. Nemotron 3.5 Transcribe lavora su registrazioni già disponibili, non su flussi audio dal vivo. Non è quindi la soluzione indicata, sulla base delle informazioni diffuse, per sottotitoli istantanei o assistenti vocali che devono rispondere mentre una persona parla.
Il confine è rilevante perché il mercato della voce include entrambi gli usi: da una parte l’elaborazione di interviste, riunioni e referti registrati; dall’altra le conversazioni in tempo reale con agenti AI. Nvidia concentra questo rilascio nel primo gruppo.
Domande frequenti
Quante lingue supporta Nemotron 3.5 Transcribe?
Nvidia parla di trascrizione audio in fino a 40 lingue. Per la traduzione da e verso l’inglese, le lingue indicate sono 31.
Può trascrivere una riunione con più partecipanti?
Sì, secondo Nvidia il modello può distinguere fino a otto speaker nella stessa registrazione.
Funziona con le chiamate o le dirette?
No. La fonte precisa che Transcribe è pensato per audio registrato e non per livestream o elaborazione in tempo reale.
Considerazioni finali
La scelta più concreta di Nvidia è unire trascrizione multilingue, traduzione e separazione delle voci in un modello open-weight orientato a usi professionali. Per chi lavora su registrazioni di riunioni o documentazione specialistica, la possibilità di adattare il riconoscimento al gergo del settore è più significativa della sola disponibilità di una nuova classifica prestazionale.
Il perimetro del prodotto resta però chiaro: non sostituisce i sistemi vocali in tempo reale. Nemotron 3.5 Transcribe punta all’elaborazione di file già registrati, e questo limite definisce con precisione il suo ruolo nel panorama sempre più affollato dell’AI vocale.