Nvidia mise sur la transcription ouverte avec Nemotron 3.5

Nvidia a lancé mercredi Nemotron 3.5 Transcribe, un modèle d’IA open-weight et gratuit capable de transcrire la parole dans 40 langues, puis d’en traduire 31 vers l’anglais et depuis l’anglais. Le système est pensé pour des fichiers audio préenregistrés, jusqu’à une heure, avec séparation possible de huit locuteurs. Cette sortie compte pour les usages professionnels, car elle vise les résumés de réunions, la documentation et la transcription médicale ou technique.

Un modèle taillé pour le préenregistré, pas pour le direct

Nemotron 3.5 Transcribe ne s’adresse pas aux flux en direct. Nvidia l’a conçu pour traiter des enregistrements déjà captés, ce qui le rapproche des chaînes de production documentaire que des conversations en temps réel. Le modèle accepte des requêtes en langage naturel : un développeur peut demander une retranscription mot à mot, une version nettoyée ou une sensibilité accrue au jargon métier.

L’architecture affiche environ 30 à 34 milliards de paramètres au total, mais n’en active qu’environ 4 milliards à chaque étape de calcul. Ce type de conception, proche d’un modèle à activation partielle, sert à réduire la charge machine sans renoncer à une large capacité. Résultat : le système peut tourner sur une seule puce, des cartes Jetson aux processeurs d’ordinateur portable, jusqu’aux GPU Blackwell d’entreprise. Pas très timide pour un modèle censé économiser du calcul.

Granary v2 élargit la base d’entraînement

En parallèle, Nvidia a rendu public Granary v2, un corpus de formation de 463 062 heures de parole dans 48 langues. La version précédente couvrait 25 langues ; la couverture linguistique a donc quasiment doublé. Les développeurs peuvent accéder aux données audio source sous leurs licences respectives, ce qui offre une alternative aux offres commerciales payantes.

La société affirme aussi que Nemotron 3.5 Transcribe atteint une place de premier plan sur le benchmark open speech-recognition de Hugging Face, avec un taux moyen d’erreur de mots de 5,33 % en anglais. Nvidia dit avoir adapté le modèle à des discours de médecins indiens, avec une baisse de 45,8 % des erreurs sur les jeux de test après environ 14 heures d’entraînement sur un seul processeur. Ces chiffres restent à lire dans le cadre de l’évaluation annoncée par l’entreprise, mais ils illustrent un point clé : le modèle se fine-tune vite.

Un coup stratégique dans la voix et les outils ouverts

Ce lancement s’inscrit dans une séquence plus large. Nvidia a déjà publié son modèle audio Parakeet, doté de 1,1 milliard de paramètres, et s’appuie sur la famille Nemotron, avec Nano Omni en avril et Lightning en août. En ouvrant ces briques tout en les reliant à son matériel, le groupe cherche à faire de son infrastructure de calcul la couche de base des applications de voix, d’assistance et de transcription.

La concurrence est déjà bien installée. Mistral AI a lancé Voxtral 3, ElevenLabs a déployé des agents conversationnels en temps réel et Salesforce a présenté Launa-Omni. Dans ce contexte, Nvidia mise sur une combinaison simple à expliquer pour les entreprises : des modèles ouverts, un déploiement commercial autorisé et une compatibilité directe avec sa gamme de puces. C’est moins spectaculaire qu’un assistant qui discute à toute vitesse, mais souvent plus utile quand il faut transformer des heures d’audio en texte exploitable.