NVIDIA a publié sur Hugging Face Nemotron 3.5 Transcribe, la dernière itération de sa famille de modèles de transcription vocale multilingue. L'annonce met en avant une caractéristique centrale : la possibilité de piloter le comportement du modèle via des instructions textuelles, plutôt que de se limiter à une transcription brute et figée. Concrètement, cela permettrait d'adapter la sortie selon le contexte d'usage, par exemple en demandant une ponctuation spécifique, un formatage particulier, ou une adaptation à un vocabulaire technique donné.
Cette publication s'accompagne de Granary v2, une nouvelle version du jeu de données vocal utilisé par NVIDIA pour entraîner et évaluer ses modèles de reconnaissance automatique de la parole. Les jeux de données de ce type sont généralement composés d'heures d'enregistrements audio annotés dans plusieurs langues, un ingrédient clé pour construire des systèmes de transcription capables de généraliser au-delà de l'anglais. La mise à disposition conjointe du modèle et des données reflète une approche désormais courante chez NVIDIA, qui cherche à positionner sa famille Nemotron comme une alternative ouverte aux solutions propriétaires de transcription.
Le choix de Hugging Face comme canal de diffusion souligne également une volonté de toucher directement la communauté des développeurs et chercheurs en traitement de la parole, qui peuvent ainsi tester, affiner ou intégrer le modèle dans leurs propres pipelines. Les modèles de transcription multilingue pilotables par prompt s'inscrivent dans une tendance plus large du secteur, où les architectures audio héritent progressivement des mécanismes de contrôle développés pour les grands modèles de langage textuels.
Sans détails techniques plus précis sur les benchmarks ou les langues couvertes dans cette annonce, il reste difficile d'évaluer la position exacte de Nemotron 3.5 Transcribe par rapport aux solutions concurrentes comme Whisper d'OpenAI ou les modèles de transcription de Google. L'intérêt de cette publication réside surtout dans la stratégie d'ouverture de NVIDIA sur les technologies vocales, un segment où l'entreprise cherche à consolider sa présence au-delà du matériel.