NVIDIA hat am 28. Oktober 2026 mit Nemotron 3.5 Transcribe ein Open-Weight-Sprachmodell veröffentlicht, das Transkription, Sprechertrennung, Übersetzung und Fragen zu Aufnahmen in einem einzigen Modell vereint. Entwicklerinnen und Entwickler laden die Gewichte unter anderem über Hugging Face herunter und können mit Anweisungen in natürlicher Sprache aus derselben Aufnahme ein wörtliches Transkript, einen bereinigten Text, eine Zusammenfassung oder Antworten auf Fragen erzeugen, ohne für jede Aufgabe ein eigenes Modell anzuschließen.
Ein Modell, vier Aufgaben
Nemotron 3.5 Transcribe unterstützt die Transkription in 40 Sprachen, die Übersetzung zwischen 31 Sprachen und Englisch, die Trennung von bis zu acht Sprecherinnen und Sprechern in 13 Sprachen, Aufnahmen von bis zu einer Stunde sowie Zeitstempel auf Wortebene. Mit einer geänderten Anweisung wechselt die Ausgabeform derselben Aufnahme: wörtliches Transkript, bereinigter Text, Sitzungszusammenfassung oder Antworten zum Inhalt. In den Anweisungen lassen sich auch Fachbegriffe und Zahlenformate festlegen, was in begriffsintensiven Bereichen wie Medizin und Finanzen praktisch ist.
Läuft auf einer GPU, aber nur für Aufnahmen
Das Modell ist eine Mixture-of-Experts-Architektur mit 30 Milliarden Parametern, von denen pro Inferenzschritt etwa 4 Milliarden aktiviert werden. Laut NVIDIA läuft es auf einer einzigen GPU, vom Jetson AGX Thor und DGX Spark bis zu Blackwell-Chips für Rechenzentren; mit NVFP4-Präzision verarbeitete eine RTX PRO 6000 nach Angaben des Unternehmens 100 Stunden Audio in unter drei Minuten. Die Grenzen sind ebenso klar: Es verarbeitet nur Aufnahmen, keine Live-Transkription, und die Beantwortung von Fragen zu Aufnahmen wurde vor allem auf Englisch trainiert, sodass andere Sprachen zuerst getestet werden müssen.
Auch der Datensatz ist offen, Benchmark-Aussagen mit Vorsicht lesen
Gemeinsam mit dem Modell erschien Granary v2, ein offener Datensatz mit Kurations-Pipeline, der 463.062 Stunden in 48 Sprachen abdeckt, nach 25 Sprachen in der Vorgängerversion. Die Gewichte stehen unter der OpenMDW-1.1-Lizenz, die eine kommerzielle Nutzung erlaubt. NVIDIA gibt an, das Modell führe die Open-Weight-Modelle auf Hugging Faces Open ASR Leaderboard an. Das ist eine Herstellerangabe: Die Methoden der Benchmarks unterscheiden sich, weshalb die Auswahl weiterhin an eigenen Aufnahmen gemessen werden sollte. Sprachmodelle erscheinen derzeit in dichter Folge; Nemotrons Unterschied liegt nicht in der Parameterzahl, sondern im Ansatz: ein Checkpoint plus Anpassbarkeit. Für Teams mit festen Abläufen, etwa Sitzungsprotokolle oder medizinische Transkription, wiegt der Aufwand eines Modellwechsels oft schwerer als ein paar zusätzliche Benchmark-Punkte.
