NVIDIA je objavila otvoren model Nemotron 3.5 Transcribe za transkripciju govora na 40 jezika

NVIDIA je 28. oktobra 2026. na platformi Hugging Face objavila Nemotron 3.5 Transcribe, model s otvorenim težinama koji snimljen govor pretvara u tekst. Jedan model pravi transkript, prevodi, označava ko govori i odgovara na pitanja o snimku. Iz toga se može zaključiti da aplikacija koja za te poslove povezuje više zasebnih modela može da proba jedan. Licenca OpenMDW-1.1 dozvoljava komercijalnu upotrebu.

Šta jedan model radi

Prema kartici modela, Nemotron 3.5 Transcribe pravi transkript na 40 jezika, a prevodi sa engleskog i na engleski za 31 jezik. U 13 jezika model označava i ko je šta rekao, a taj posao se stručno zove dijarizacija (diarization). NVIDIA navodi da snimak može da traje do jednog sata i da model razlikuje do osam govornika.

Vrsta izlaza se ne bira podešavanjima, nego uputstvom napisanim običnim jezikom. Isti snimak može da se dobije kao transkript s oznakama govornika, kao prevod na engleski ili kao odgovor na pitanje, na primjer koje su odluke donesene na sastanku. Uputstvo može da sadrži i spisak očekivanih stručnih izraza, poput naziva lijekova, koje model upotrebljava samo kad ih zaista čuje na snimku. Odgovaranje na pitanja o snimku obučeno je i mjereno samo na engleskom, a kartica upozorava da na drugim jezicima možda neće raditi pouzdano.

Model je namijenjen snimljenom zvuku. NVIDIA ga nije pravila za prenos uživo, pa titlovanje u realnom vremenu nije njegova namjena.

Šta je potrebno za pokretanje

Model ima ukupno 34 milijarde parametara, a za svaki token je aktivno oko 4,3 milijarde, uključujući audio enkoder. Riječ je o modelu mješavine eksperata (mixture of experts): na svakom koraku radi samo dio mreže, pa je računanja manje, ali sve težine i dalje moraju da stanu u memoriju.

Referentne težine su u formatu BF16, a NVIDIA ih u uputstvu za početak pokreće na jednom H100 sa 80 GB memorije. Kartica pominje i verzije FP8 i NVFP4. To su kvantizovane verzije, u kojima su težine zapisane manjom preciznošću, pa zauzimaju manje memorije, a tabela hardvera ih vezuje za RTX 5090 i DGX Spark. NVIDIA u objavi navodi da te verzije stižu uskoro, a 28. oktobra njihovi repozitorijumi nisu bili javno dostupni. Dok ne budu objavljene, za samostalno pokretanje modela potreban je grafički procesor za podatkovne centre, a ne kućni računar.

Šta pokazuju mjerenja

Stopa pogrešnih riječi (word error rate) pokazuje koliki dio riječi transkript pogrešno zapiše, pa je niža vrijednost bolja. NVIDIA navodi da njen model ima najnižu prosječnu stopu među modelima s otvorenim težinama na višejezičnoj rang-listi Open ASR Leaderboard, 4,62 odsto na sedam jezika. Na rang-listi nezavisne firme Artificial Analysis, prema NVIDIA-i, model dijeli prvo mjesto među otvorenim modelima sa 2,8 odsto. Ima pri tome oko šest puta manje aktivnih parametara od modela s kojim je izjednačen.

NVIDIA je objavila i studiju prilagođavanja na medicinskom govoru indijskih ljekara i studenata medicine. Na govornicima koji nisu korišćeni pri podešavanju, stopa grešaka je smanjena sa 22,44 odsto uz najbolji prompt na 12,17 odsto poslije dodatne obuke. To je relativno smanjenje od 45,8 odsto, a cijelo prilagođavanje trajalo je oko 14 sati rada grafičkog procesora. Ista obuka je malo povećala stopu grešaka na opštem engleskom, sa 1,54 na 1,69 odsto.

Gdje je srpski

Srpskog nema među 40 jezika. Hrvatski je na spisku, s NVIDIA-inom ocjenom da je spreman za produkciju i sa stopom grešaka od 8,31 odsto na skupu za testiranje FLEURS, a navedeni su i slovenački i bugarski. NVIDIA nije objavila rezultate za srpski, pa nije poznato koliko podrška za hrvatski pomaže pri transkripciji srpskog govora.