Nvidia 28 октября выпустила Nemotron 3.5 Transcribe — модель с открытыми весами для расшифровки записей длительностью до часа на 40 языках, включая русский. Она объединяет распознавание речи, разметку говорящих и временные отметки слов: из записи встречи можно получить текст с указанием, кто и когда произнёс реплику.

Модель допускает коммерческое использование по лицензии OpenMDW 1.1 и дообучение под отраслевую лексику. Разработчик может развернуть её на собственном оборудовании; эталонная конфигурация полной версии использует одну H100 с 80 ГБ памяти. Обработка готовых записей не означает поддержку разговора в прямом эфире.

По испытаниям Nvidia, на четырёх наборах многоголосых записей средняя ошибка расшифровки с учётом распределения реплик по говорящим составила 15,80% против 16,83% у связки DiCoW v3.3 и DiariZen. Это результат производителя, а не независимая проверка. Компания признаёт ошибки атрибуции реплик и выдуманную речь; понимание аудио и ответы на вопросы проверялись только на английском.

Есть и существенная разница между опубликованными весами и рекламируемой скоростью. Максимальная производительность получена с оптимизациями сервиса NIM, которые ещё не включены в открытый выпуск. По оценке Nvidia, доступная интеграция NeMo Speech примерно вдвое медленнее.