Nvidia stellt Nemotron 3.5 Transcribe vor: Ein offenes Transkriptionsmodell für mehrsprachige Audiodaten

Image: TechCrunch · Source

Nvidia bringt Nemotron 3.5 Transcribe heraus, ein kostenloses Open-Weight-Spracherkennungsmodell, das bis zu 40 Sprachen unterstützt und mehrere Sprecher unterscheiden kann. Es ist für die Transkription aufgezeichneter Audiodaten in Geschäfts- und medizinischen Umgebungen optimiert.

Am 28. Oktober 2026 kündigte Nvidia Nemotron 3.5 Transcribe an, ein neues kostenloses Open-Weight-Spracherkennungsmodell, das Aufnahmen in bis zu 40 Sprachen transkribieren kann. Begleitend zum Modell veröffentlichte Nvidia Version 2 von Granary, einem aktualisierten Open-Source-Sprachdatensatz, der darauf abzielt, die Transkriptionsqualität bei vielfältigen Sprachproben zu verbessern.

Nemotron 3.5 kann bis zu acht Sprecher in einer Aufnahme unterscheiden und 31 Sprachen von und ins Englische übersetzen. Es unterstützt die Verarbeitung von Aufnahmen bis zu einer Stunde Länge und richtet sich hauptsächlich an Entwickler, die Transkriptionsanwendungen für Geschäftstreffen und medizinische Kontexte erstellen – zwei Bereiche, in denen KI-gestützte Spracherkennungstechnologien zunehmend an Bedeutung gewinnen.

Ein wesentlicher Vorteil von Nemotron 3.5 ist seine Überlegenheit gegenüber Konkurrenten bei mehreren Benchmark-Tests, darunter die Open ASR Leaderboard von Hugging Face. Nvidia hebt die Flexibilität des Modells zur Anpassung durch das NeMo Speech Toolkit hervor, mit dem Apps fachspezifischen Jargon verschiedener Branchen und Sprachen erkennen können.

Nemotron 3.5 zeichnet sich durch Effizienz aus: Es umfasst 30 Milliarden Parameter, läuft jedoch auf einem einzigen Chip. Es ist kompatibel mit einer Reihe von Nvidia-Hardware, darunter der Jetson AGX Thor Robotik-Controller, der DGX Spark-Chip in neuen Laptops und die Blackwell-Prozessoren für Rechenzentren.

Nemotron 3.5 ist jedoch ausschließlich für aufgezeichnete Audiodaten konzipiert und unterstützt keine Live-Audio-Streams, sodass Anwendungsfälle für Echtzeit-Transkription anderen Anbietern wie ElevenLabs überlassen bleiben. Nvidias Initiative reiht sich in eine breitere Welle neuer KI-Sprachtechnologien ein, die jüngst veröffentlicht wurden, darunter Mistrals Voxtral 3, ElevenLabs Echtzeit-Sprachagenten und Salesforces Launa-Omni Sprachmodell.

Insgesamt stellt die Veröffentlichung von Nvidia einen bedeutenden Fortschritt bei zugänglicher, mehrsprachiger Spracherkennungstechnologie dar, die für Offline- und aufgezeichnete Audioanwendungen in professionellen Umgebungen ausgelegt ist und weitere Innovationen bei KI-gestützten Sprachtools fördert.