NVIDIA는 2026년 10월 28일 오픈 웨이트 음성 모델 Nemotron 3.5 Transcribe를 공개했다. 전사, 화자 분리, 번역, 녹음 질의응답을 하나의 모델에 담았다. 개발자는 Hugging Face 등에서 가중치를 받아 자연어 지시만으로 같은 녹음을 축어 전사, 다듬은 텍스트, 요약, 질의응답으로 바꿀 수 있다. 작업마다 모델을 따로 연결할 필요가 없다.
하나의 모델, 네 가지 일
Nemotron 3.5 Transcribe는 40개 언어 전사, 31개 언어와 영어 간 번역, 13개 언어에서 최대 8명의 화자 분리, 최대 1시간 분량의 녹음, 단어 단위 타임스탬프를 지원한다. 지시 하나만 바꾸면 같은 녹음의 출력 형태가 달라진다. 축어 전사, 다듬은 텍스트, 회의 요약, 발언 내용에 대한 답변이 그것이다. 지시에는 용어 표기와 숫자 형식도 지정할 수 있어 의료나 금융처럼 전문 용어가 많은 현장에서 실용적이다.
GPU 하나로 돌지만 녹음만 다룬다
이 모델은 300억 개 파라미터의 Mixture-of-Experts 구조로, 추론 한 번에 약 40억 개 파라미터가 활성화된다. NVIDIA에 따르면 Jetson AGX Thor와 DGX Spark부터 Blackwell 데이터센터 칩까지 단일 GPU에서 동작한다. NVFP4 정밀도에서 RTX PRO 6000 한 장이 100시간 분량의 오디오를 3분 안에 처리했다는 것이 회사의 수치다. 한계도 분명하다. 녹음만 처리하고 실시간 전사는 지원하지 않는다. 녹음 질의응답 학습은 주로 영어로 이뤄졌으므로 다른 언어는 먼저 실측이 필요하다.
데이터셋도 함께 공개, 벤치마크 주장은 걸러서 봐야
모델과 함께 공개된 Granary v2는 오픈 데이터셋과 큐레이션 파이프라인으로 463,062시간, 48개 언어를 다룬다. 이전 세대의 25개 언어에서 넓어졌다. 가중치는 OpenMDW-1.1 라이선스로 상업적 이용이 허용된다. NVIDIA는 Hugging Face Open ASR Leaderboard에서 오픈 웨이트 1위라고 밝히지만 이는 회사 측 주장이다. 벤치마크마다 방식이 다르므로 선정에는 자신의 녹음으로 직접 측정하는 과정이 필요하다. 음성 모델 공개가 잇따르는 가운데 Nemotron의 차이는 파라미터 규모가 아니라 설계 방향에 있다. 하나의 체크포인트에 맞춤 설정이 가능하다는 점이다. 회의 기록이나 의료 전사처럼 절차가 고정된 팀에게는 모델 교체 비용이 벤치마크 몇 포인트보다 더 무겁게 느껴지는 경우가 많다.
