# NVIDIA lance Nemotron 3.5, un modèle vocal avec ses données d’entraînement

> Ce modèle à poids ouverts transcrit 40 langues et peut traduire, identifier les locuteurs et répondre à des questions sur des fichiers audio. Les développeurs peuvent le télécharger sur Hugging Face et ModelScope.

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

NVIDIA a lancé Nemotron 3.5 Transcribe, un modèle à poids ouverts qui réunit dans un même système la transcription vocale, la traduction, l’identification des locuteurs et les réponses aux questions sur des fichiers audio. Les développeurs peuvent le télécharger sur Hugging Face et ModelScope, puis utiliser des instructions en langage naturel pour demander différents résultats à partir du même enregistrement, par exemple une transcription avec identification des locuteurs ou une traduction en anglais.

Selon la publication sur Hugging Face, le modèle transcrit 40 langues, traduit 31 langues vers l’anglais ou depuis l’anglais et identifie les locuteurs dans 13 langues, jusqu’à huit personnes. Il prend également en charge les horodatages au niveau des mots. La fonction de questions-réponses sur l’audio a été entraînée en anglais, et la publication parle d’enregistrements pouvant durer jusqu’à une heure; SiliconANGLE indique que le modèle peut analyser 100 heures d’audio et répondre à des questions à leur sujet. Les deux sources ne précisent pas s’il s’agit de limites ou de capacités différentes.

## Que montrent les résultats des tests de référence ?

Nemotron 3.5 est un modèle à mélange d’experts de 30 milliards de paramètres, dont environ 4 milliards sont actifs à la fois. Dans sa publication sur Hugging Face, NVIDIA indique qu’il arrive en tête des modèles à poids ouverts sur la piste anglaise du classement Open ASR Leaderboard de Hugging Face, avec un taux d’erreur de mots (WER) moyen de 5,33 %; plus ce taux est faible, moins la transcription comporte d’erreurs. La publication fait aussi état d’un WER moyen de 4,62 % sur sept langues et de 10,98 % sur la piste des enregistrements longs, les meilleurs résultats parmi les modèles à poids ouverts de la comparaison.

La publication présente également les résultats d’autres évaluations : un AA-WER de 2,8 % au classement de conversion de la parole en texte d’Artificial Analysis, à égalité au premier rang des modèles à poids ouverts, et le taux d’erreur de diarisation le plus bas sur le test de référence de David AI couvrant 21 langues. NVIDIA indique que l’affinage du modèle pour la parole médicale a ramené son WER à 11,8 % sur le test de référence de parole médicale indienne d’Eka Care. Ces chiffres correspondent à des tests précis et ne garantissent pas l’exactitude du modèle pour tous les enregistrements.

## Comment les développeurs peuvent-ils l’adapter ?

NVIDIA a également lancé Granary v2, un jeu de données vocales multilingue ouvert et un pipeline de curation des données, ainsi que des outils d’affinage. Il comprend 843 579 heures de données dans 48 langues et provenant de 19 collections, contre environ 643 000 heures dans 25 langues pour la version précédente. Les développeurs peuvent se servir des données et des outils pour adapter le modèle au vocabulaire spécialisé, aux accents ou aux formats de transcription souhaités. Dans une étude de cas médicale, la publication sur Hugging Face indique que l’affinage a réduit de 45,8 % le WER sur des locuteurs exclus des données d’entraînement, par rapport au meilleur résultat obtenu avec une instruction.

Le modèle fonctionne sur un seul GPU NVIDIA, qu’il s’agisse de systèmes Jetson AGX Thor et DGX Spark de bureau ou de matériel de centre de données. NVIDIA affirme qu’un GPU Blackwell Server Edition a traité 100 heures d’audio en moins de trois minutes avec des paramètres de modèle compressé; la publication sur Hugging Face précise que ce test utilisait des extraits de 30 secondes avec un haut niveau de parallélisme. Selon la publication, le modèle est conçu pour les fichiers audio enregistrés, et non pour la diffusion en direct; elle recommande de vérifier les noms, les changements de locuteur et les réponses à partir de l’enregistrement.

## Les faits

- Nemotron 3.5 Transcribe compte 30 milliards de paramètres, dont environ 4 milliards sont actifs à la fois.
- Le modèle prend en charge la transcription dans 40 langues et la traduction entre l’anglais et 31 langues.
- Granary v2 comprend 843 579 heures de données audio dans 48 langues et provenant de 19 collections.
- Selon NVIDIA, un GPU Blackwell Server Edition a traité 100 heures d’audio en moins de trois minutes.

## Pourquoi c'est important

Les développeurs qui créent des outils pour les réunions, les cours ou la dictée médicale peuvent essayer un même modèle pour transcrire, identifier les locuteurs et traduire, puis l’affiner pour tenir compte de termes spécialisés. Les résultats annoncés aux tests de référence ne permettent pas de savoir quelle sera sa précision sur un enregistrement donné : les utilisateurs doivent donc toujours vérifier les noms importants et les réponses.

## Sources et références

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

Dernière mise à jour: 2026-10-28