NVIDIAは10月28日、Nemotron 3.5 Transcribeを公開した。Transformerの音声エンコーダ、凍結したNemotron 3の話者分離、Nemotron 3.5 Lightning 30B-A3Bを組み合わせた音声拡張言語モデルで、推論時に動くパラメータは約43億である。逐語、書き言葉、文脈付き、話者付きの文字起こしに加え、音声翻訳と話し言葉の言語識別を40言語で行い、単語単位の話者付きタイムスタンプも返せる。体裁はリクエストごとの自然言語の指示で選び、そのたびに再学習しない。
従来の音声認識は、数字の表記や言いよどみの残し方を学習時に固定しがちだった。議事録、専門用語、話者の切り分けのように正しい書き方が読み手で変わる用途では、その固定が後処理や別モデルの原因になる。NVIDIAは、英語のOpen ASR Leaderboardにある公開テスト9件で平均単語誤り率4.71%、多言語の同リーダーボードで4.62%だったとしている。期待する固有名詞の一覧を渡すと、ContextASR-Benchでの固有表現の誤りは6分の1に減ったという。
重みはOpenMDW-1.1で、BF16、FP8、Blackwell向けNVFP4、NeMo-Speech.cpp向けGGUF、投機的復号用のDFlash2がある。NIM経由でNVFP4とDFlash2を使うと、RTX PRO 6000 Blackwell 1枚あたり、音声1秒に対し最大2,238秒分を処理できたとしている。17タスクの例では、新しい言語や分野への適応は1GPUでタスクあたり0.5〜2.3GPU時間だった。導入時は固有名詞と話者の切り替わりを録音と突き合わせ、残るドメイン語彙だけを微調整に回すとよい。