Nvidia buka Nemotron 3.5 Transcribe, transkripsi 40 bahasa dan pemisah pembicara

NVIDIA merilis Nemotron 3.5 Transcribe pada 28 Oktober 2026 sebagai satu model bobot terbuka yang menggabungkan empat pekerjaan yang biasanya ditangani alat berbeda: transkripsi, penandaan pembicara, penerjemahan, dan tanya jawab atas isi rekaman. Model ini menangani 40 bahasa untuk transkripsi, menerjemahkan 31 bahasa ke atau dari Inggris, dan mengenali pembicara pada 13 bahasa. Panjang rekaman yang didukung mencapai satu jam dengan maksimal delapan pembicara, jumlah yang cukup untuk rapat tim kecil maupun wawancara kelompok.

Ukurannya 34 miliar parameter, tetapi hanya sekitar 4 miliar yang aktif pada setiap langkah, sehingga biaya inferensinya jauh lebih ringan daripada angka totalnya. Model dapat berjalan pada satu chip Nvidia, mulai dari papan Jetson hingga GPU pusat data Blackwell, dan versi terkuantisasi tersedia untuk dipakai lokal di RTX Spark, DGX Spark, atau Jetson AGX Thor. Lisensinya, OpenMDW-1.1, membolehkan pemakaian komersial tanpa biaya lisensi. Bobotnya bisa diunduh dari Hugging Face dan ModelScope.

Untuk transkripsi bahasa Inggris, model ini menempati posisi pertama di antara model bobot terbuka pada Hugging Face Open ASR Leaderboard dengan word error rate rata-rata 5,33 persen. Pada pengujian penandaan pembicara di papan 21 bahasa milik David AI, error rate-nya tercatat paling rendah, dan pada perbandingan 14 sistem di VoiceArena juga menempati urutan pertama. Kemampuan itu penting karena kesalahan penamaan pembicara sering lebih mengganggu daripada salah ejaan tunggal ketika transkrip dipakai sebagai dasar notulen atau bukti percakapan layanan pelanggan.

NVIDIA juga membuka Granary v2, dataset 463.062 jam audio dalam 48 bahasa, naik dari 25 bahasa pada versi pertama, beserta pipeline kurasi datanya. Pengembang mengunduh audio dari sumber aslinya dengan lisensi masing-masing, lalu memakai pipeline tersebut untuk menyiapkan data latih sendiri. Dalam studi kasus medis, penyesuaian model pada rekaman dokter India menurunkan word error rate relatif 45,8 persen dibanding prompt terbaik, dan proses latihnya memakan sekitar 14 jam pada satu GPU. Artinya adaptasi ke istilah lokal, misalnya nama produk bank atau kode anggaran, bisa dikerjakan tim kecil tanpa kluster besar.

Ada dua batas yang perlu dicatat sebelum menghitung ini sebagai penghematan. Model ini dirancang untuk audio rekaman, bukan transkripsi langsung, jadi belum menggantikan alur rapat real-time. Daftar lengkap 40 bahasa juga tidak dirinci pada halaman resmi yang dibaca, sehingga dukungan bahasa Indonesia harus diperiksa pada kartu model sebelum dipakai untuk produksi. Kendali lewat prompt bahasa alami memudahkan permintaan format, misalnya transkrip rapi atau kata per kata, tetapi mutu hasil tetap bergantung pada kejernihan audio dan penyesuaian kosakata.