# NVIDIA выпустила речевую модель Nemotron 3.5 и данные для обучения

> Модель с открытыми весами распознаёт речь на 40 языках, переводит, определяет говорящих и отвечает на вопросы об аудио. Разработчики могут скачать её на Hugging Face и ModelScope.

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

NVIDIA выпустила Nemotron 3.5 Transcribe — модель с открытыми весами, которая объединяет в одной системе распознавание речи, перевод, определение говорящих и ответы на вопросы об аудио. Разработчики могут скачать её на Hugging Face и ModelScope и с помощью запросов на естественном языке получать разные результаты по одной и той же записи — например, расшифровку с указанием говорящих или перевод на английский.

В публикации на Hugging Face говорится, что модель распознаёт речь на 40 языках, переводит с 31 языка на английский и с английского на эти языки, а также определяет говорящих на 13 языках — всего до восьми человек. Кроме того, модель умеет ставить временные метки для отдельных слов. Функция ответов на вопросы по аудио обучена на английском языке. В публикации упоминаются записи продолжительностью до часа; издание SiliconANGLE пишет, что модель может обрабатывать 100 часов аудио и отвечать на вопросы по нему. В этих источниках не уточняется, связано ли расхождение с разными ограничениями на входные данные или возможностями модели.

## Что показывают результаты тестов?

Nemotron 3.5 — модель типа mixture of experts с 30 млрд параметров, из которых одновременно активны около 4 млрд. Согласно публикации NVIDIA на Hugging Face, среди моделей с открытыми весами она занимает первое место в англоязычном рейтинге Hugging Face Open ASR Leaderboard со средним показателем ошибок в словах (WER) 5,33%. Чем ниже WER, тем меньше ошибок в расшифровке. В публикации также приводятся средний WER 4,62% по семи языкам и показатель 10,98% в тесте на длинные записи — это лучшие результаты среди моделей с открытыми весами в сравнении NVIDIA.

В публикации приводятся результаты и других тестов: 2,8% AA-WER в рейтинге распознавания речи в текст от Artificial Analysis — результат разделяет первое место среди моделей с открытыми весами; а также самый низкий показатель ошибок диаризации в тесте David AI на 21 языке. NVIDIA сообщает, что дообучение на медицинской речи позволило снизить WER до 11,8% в индийском медицинском тесте на распознавание речи Eka Care. Эти показатели относятся к конкретным тестам и не гарантируют такой же точности для любой записи.

## Как разработчики могут адаптировать модель?

Одновременно NVIDIA выпустила Granary v2 — открытый мультиязычный набор речевых данных и конвейер подготовки данных, а также инструменты для дообучения. В набор входят 843 579 часов аудио на 48 языках из 19 источников. В предыдущей версии было около 643 000 часов на 25 языках. Разработчики могут использовать данные и инструменты, чтобы адаптировать модель к специальной лексике, акцентам или нужному формату расшифровки. В примере из медицинской сферы публикация на Hugging Face сообщает, что дообучение снизило WER на 45,8% по сравнению с лучшим результатом при использовании запросов — на записях говорящих, которые не участвовали в обучении.

Модель работает на одном графическом процессоре NVIDIA — от Jetson AGX Thor и настольных систем DGX Spark до оборудования для центров обработки данных. По данным NVIDIA, GPU Blackwell Server Edition обработал 100 часов аудио менее чем за три минуты при использовании сжатых настроек модели. В публикации на Hugging Face уточняется, что в этом тесте использовались фрагменты по 30 секунд и высокая параллельность обработки. NVIDIA отмечает, что модель предназначена для записанного аудио, а не для потоковой обработки в реальном времени, и советует сверять имена, смену говорящих и ответы с записью.

## Факты

- В Nemotron 3.5 Transcribe 30 млрд параметров, из которых одновременно активны около 4 млрд.
- Модель распознаёт речь на 40 языках и переводит с 31 языка на английский и с английского на эти языки.
- Granary v2 содержит 843 579 часов аудио на 48 языках из 19 источников.
- По данным NVIDIA, один GPU Blackwell Server Edition обработал 100 часов аудио менее чем за три минуты.

## Почему это важно

Разработчики инструментов для встреч, занятий или медицинской диктовки могут использовать одну модель для расшифровки, определения говорящих и перевода, а затем дообучить её на специальной терминологии. Результаты тестов не показывают, насколько точно модель обработает конкретную запись, поэтому важные имена и ответы всё равно нужно проверять.

## Источники и ссылки

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

Обновлено: 2026-10-28