# NVIDIA veröffentlicht Sprachmodell Nemotron 3.5 samt Trainingsdaten

> Das Modell mit offenen Gewichten transkribiert 40 Sprachen und kann übersetzen, Sprecher kennzeichnen und Fragen zu Audio beantworten. Entwickler können es bei Hugging Face und ModelScope herunterladen.

Oossa · 2026-10-28 · https://oossa.com/de/nvidia-releases-nemotron-3-5-speech-model-and-training-data

NVIDIA hat Nemotron 3.5 Transcribe veröffentlicht. Das Modell mit offenen Gewichten vereint Transkription, Übersetzung, Sprecherkennzeichnung und Fragenbeantwortung zu Audio in einem System. Entwickler finden es bei Hugging Face und ModelScope. Mit natürlichsprachigen Eingaben können sie für dieselbe Aufnahme unterschiedliche Ergebnisse anfordern – etwa ein Transkript mit Sprecherkennzeichnungen oder eine Übersetzung ins Englische.

Laut dem Beitrag auf Hugging Face transkribiert das Modell 40 Sprachen, übersetzt 31 Sprachen ins Englische oder aus dem Englischen und kennzeichnet Sprecher in 13 Sprachen. Dabei kann es bis zu acht Sprecher identifizieren. Außerdem unterstützt es Zeitstempel auf Wortebene. Das Training für die Beantwortung von Fragen zu Audio erfolgte auf Englisch. Der Beitrag nennt Aufnahmen von bis zu einer Stunde; SiliconANGLE zufolge kann das Modell 100 Stunden Audio verarbeiten und Fragen dazu beantworten. Die beiden Berichte klären nicht, ob sie unterschiedliche Eingabegrenzen oder Fähigkeiten meinen.

## Was sagen die Benchmark-Ergebnisse aus?

Nemotron 3.5 ist ein Mixture-of-Experts-Modell mit 30 Milliarden Parametern, von denen jeweils etwa 4 Milliarden aktiv sind. Laut NVIDIAs Beitrag auf Hugging Face liegt es unter den Modellen mit offenen Gewichten im englischen Teil des Hugging Face Open ASR Leaderboard auf Platz eins; die durchschnittliche Wortfehlerrate (WER) beträgt 5,33 %. Je niedriger die WER, desto weniger Transkriptionsfehler. Der Beitrag nennt außerdem eine mittlere WER von 4,62 % über sieben Sprachen hinweg und 10,98 % im Langform-Test – jeweils die besten Ergebnisse unter den Modellen mit offenen Gewichten im Vergleich.

Der Beitrag führt auch Ergebnisse aus anderen Tests an: 2,8 % AA-WER im Speech-to-Text-Leaderboard von Artificial Analysis – gleichauf mit dem ersten Platz unter den Modellen mit offenen Gewichten – sowie die niedrigste Diarisierungsfehlerrate im 21-Sprachen-Benchmark von David AI. NVIDIA zufolge sank die WER nach dem Fine-Tuning für medizinische Sprache im indischen Medizin-Sprachbenchmark von Eka Care auf 11,8 %. Diese Werte beziehen sich auf bestimmte Tests und garantieren keine Genauigkeit bei jeder Aufnahme.

## Wie können Entwickler das Modell anpassen?

Zusammen mit Fine-Tuning-Tools hat NVIDIA auch Granary v2 veröffentlicht – einen mehrsprachigen Sprachdatensatz mit offenen Nutzungsbedingungen und eine Pipeline zur Datenaufbereitung. Er umfasst 843.579 Stunden aus 48 Sprachen und 19 Quellsammlungen. Die Vorgängerversion enthielt rund 643.000 Stunden aus 25 Sprachen. Mit den Daten und Tools können Entwickler das Modell an Fachbegriffe, Akzente oder bevorzugte Transkriptformate anpassen. In einer medizinischen Fallstudie sank die WER bei Sprechern, deren Aufnahmen nicht fürs Training verwendet worden waren, durch Fine-Tuning um 45,8 % gegenüber dem besten Prompt, heißt es im Beitrag auf Hugging Face.

Das Modell läuft auf einer einzelnen NVIDIA-GPU – von Jetson AGX Thor und Desktop-Systemen vom Typ DGX Spark bis hin zu Rechenzentrumshardware. NVIDIA zufolge verarbeitete eine Blackwell Server Edition GPU mit komprimierten Modelleinstellungen 100 Stunden Audio in weniger als drei Minuten. Im Beitrag auf Hugging Face wird präzisiert, dass der Test mit 30-Sekunden-Clips und hoher Parallelität durchgeführt wurde. Dem Beitrag zufolge ist das Modell für aufgezeichnetes Audio ausgelegt, nicht für Live-Streaming. Namen, Sprecherwechsel und Antworten sollten mit der Aufnahme abgeglichen werden.

## Die Fakten

- Nemotron 3.5 Transcribe hat 30 Milliarden Parameter, von denen jeweils etwa 4 Milliarden aktiv sind.
- Das Modell unterstützt Transkriptionen in 40 Sprachen und Übersetzungen zwischen Englisch und 31 Sprachen.
- Granary v2 umfasst 843.579 Stunden Audiodaten aus 48 Sprachen und 19 Quellsammlungen.
- NVIDIA zufolge verarbeitete eine Blackwell Server Edition GPU 100 Stunden Audio in weniger als drei Minuten.

## Warum es wichtig ist

Entwickler, die Tools für Besprechungen, Unterricht oder medizinische Diktate entwickeln, können ein Modell für Transkripte, Sprecherkennzeichnungen und Übersetzungen ausprobieren und es anschließend auf Fachbegriffe abstimmen. Die angegebenen Benchmark-Ergebnisse sagen nicht aus, wie genau das Modell bei einer bestimmten Aufnahme ist. Wichtige Namen und Antworten sollten daher weiterhin überprüft werden.

## Quellen und Referenzen

1. [Nvidia releases all-in-one adaptable Nemotron 3.5 audio transcription and translation model](https://siliconangle.com/2026/10/28/nvidia-releases-all-in-one-adaptable-nemotron-3-5-audio-transcription-and-translation-model/) – SiliconANGLE, 2026-10-28
2. [NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt](https://huggingface.co/blog/nvidia/nemotron-transcribe-granary) – Hugging Face, 2026-10-28
3. [Voice AI in vogue: Nvidia releases new open transcription model](https://techcrunch.com/2026/10/28/voice-ai-in-vogue-nvidia-releases-new-open-transcription-model/) – TechCrunch, 2026-10-28
4. [Nvidia's open Nemotron 3.5 Transcribe combines transcription, translation, and speaker recognition](https://the-decoder.com/nvidias-open-nemotron-3-5-transcribe-combines-transcription-translation-and-speaker-recognition/) – The Decoder, 2026-10-28

Zuletzt aktualisiert: 2026-10-28