NVIDIA, 28 Ekim 2026'da Nemotron-3.5 Transcribe adlı açık kaynak ses transkripsiyon modelini yayınladı. Modelin toplam parametresi 34 milyar (4,3 milyar aktif parametre) olup, Hugging Face Open ASR Leaderboard'a göre İngilizce transkripsiyon alanında 4,71 yüzde hata oranı ile sektör öncüsü konumdadır. OpenMDW-1.1 lisansı ile ticari ve ticari olmayan tüm kullanımlara açık hale getirilmiş olması, diğer kısıtlı modellerin aksine kuruluşların kendi çözümlerini inşa etmesini mümkün kılmaktadır.
Dil Desteği ve Teknik Yapısı
Nemotron-3.5, 40 dile kadar ses kaydını yazıya aktarabiliyor. Türkçe, İtalyanca, Polonyaca ve Korece gibi "üretim kalitesi" dillere ek olarak Arapça, Bengalce, Mandarin Çincesi, Filistin Arapçası ve 30'dan fazla başka dile destek veriyor. Model 1 saate kadar uzun ses dosyalarını işleyebiliyor; 65.536 token bağlam uzunluğu sayesinde çok uzun konuşmaları parçalamadan işlenebiliyor. Kaydı konuşan kişilere göre ayırabilmesi (8'e kadar konuşmacıyı sözcük-düzeyi zaman damgası ile ayırt etme) özelliği, çok kişili toplantılar ve panellerde kim ne dediğini izlemek için kullanışlı. Model, Paralel Expert Encoder mimarisi ve Mamba-2–Transformer mixture-of-experts (MoE) yapısı kullanmaktadır. Bu tasarım, modele sektöre özel terimleri (tıbbi terminoloji, finansal sözcükler, yasal terminoloji) öğretmeyi ve kişiselleştirmeyi mümkün kılmaktadır.
Hız ve donanım gereksinimleri
Multilingual Open ASR Leaderboard'da 4,62 yüzde hata oranı sağlayan model, NVIDIA RTX PRO 6000 Blackwell GPU'da 30 saniyelik bir ses kaydını 0,13 saniyede yazıya dönüştürebiliyor. Bu, neredeyse 200 kat hızlı transkripsiyon demek. Saniyede 2.238 saniyelik ses işleyebilme kapasitesi sunuyor. Native Multi-Token Prediction ve DFlash2 speculative decoding teknikleri sayesinde bu hız artışı sağlanmıştır. Minimum donanım gereklilikleri NVIDIA H100 80 GB; desteklenen GPU'lar A100, H200, B200, DGX Spark, RTX 5090 gibi çeşitli mimariler içermektedir.
Eğitim Verileri ve Dağıtım
Model, 1,72 milyon saat benzersiz ses (6,53 milyon saat tekrar yüklü) ve 5,6 milyar metin token'ı ile eğitilmiştir. Eğitim kaynakları açık veri tabanları, web kaynaklı konuşma, sözde etiketli transkripsiyonlar ve sentetik veriler içermektedir. Tüm 40 dil kapsanmakta, kod değişimi (iki dilden sözler karıştırma) de desteklenmektedir. NVIDIA, Granary v2 adlı açık veri seti de sunarak başkaların modeli kendi verilerine göre ince ayar yapabilmesine imkan tanımıştır. Hugging Face, GitHub NeMo Speech, NVIDIA build.nvidia.com ve NGC Registry'de erişilebilir olan model, toplantı notları, tıbbi transkripsiyon, müşteri hizmetleri analizi ve ses-tabanlı yapay zeka aracı uygulamalarında kullanılmak üzere tasarlanmıştır.
