Nemotron 3.5 Transcribe : NVIDIA publie un modèle de transcription qui gère une heure d'audio

Transcrire une réunion, un entretien client ou un podcast sans envoyer l'enregistrement à un service extérieur : c'est l'usage visé par Nemotron 3.5 Transcribe, publié par NVIDIA le 28 octobre 2026 sur Hugging Face, GitHub et ses propres plateformes.

À quoi ça sert

Le modèle reçoit un fichier audio et une consigne écrite, et renvoie du texte. D'après sa fiche, il sait :

• transcrire dans 40 langues ;
• traduire la parole vers ou depuis l'anglais ;
• attribuer chaque passage à un locuteur ;
• horodater les mots ;
• tenir compte d'un contexte fourni (noms propres, vocabulaire métier) ;
• répondre à des questions sur le contenu d'un enregistrement.

Il accepte des enregistrements d'une heure au maximum, aux formats courants (wav, flac, mp3, ogg).

Le français est bien servi

NVIDIA classe les langues en trois niveaux de qualité. Le français, de France et du Canada, figure dans le premier, avec la transcription, la traduction et la séparation des locuteurs.

Sur le classement multilingue Open ASR, la fiche annonce un taux d'erreur moyen de 3,92 % en français. Pour l'ensemble des sept langues de ce classement, la moyenne annoncée est de 4,62 %, contre 6,49 % pour Qwen3-ASR-1.7B. Ces chiffres sont ceux de NVIDIA, relevés le 12 octobre 2026.

Ce qu'il faut

Le modèle compte 34 milliards de paramètres, dont environ 4,3 milliards actifs à chaque étape. Côté matériel :

• configuration recommandée : une carte H100 de 80 Go ;
• une RTX 5090 est prise en charge, uniquement avec la variante compressée NVFP4 ;
• une L40S de 48 Go fonctionne avec la variante FP8 ;
• système Linux, ou Windows via WSL2.

Le service passe par vLLM 0.32.0 avec la bibliothèque NeMo Speech de NVIDIA, ou par Transformers installé depuis les sources.

La licence

Le modèle est distribué sous licence OpenMDW-1.1. La fiche le déclare prêt pour un usage commercial ou non commercial. Ce n'est pas une licence Apache ou MIT : prenez le temps de lire son texte avant de l'intégrer dans un produit.

Les limites

• Pas de temps réel. La fiche est explicite : c'est un modèle de traitement de fichiers, pas un service de transcription en direct.
• L'analyse audio n'est évaluée qu'en anglais. Les questions sur le contenu d'un enregistrement et les consignes parlées peuvent être peu fiables dans les autres langues, français compris.
• Des boucles de répétition, rares, sont possibles. NVIDIA recommande un nettoyage du texte en sortie.
• La vitesse affichée n'est pas celle que vous aurez. Le chiffre le plus élevé, 2 238 fois le temps réel sur une carte RTX PRO 6000 Blackwell, repose sur des optimisations qui ne sont pas encore publiées. La version disponible à la sortie est annoncée environ deux fois plus lente.
• Les étiquettes de locuteur ne sont pas des identités. Le modèle distingue les voix d'un même enregistrement, il ne dit pas qui parle.

Notre lecture

Pour un cabinet de conseil, un service juridique ou un centre de relation client, le calcul est simple : une seule carte graphique, pas d'abonnement à la minute, et des enregistrements qui restent dans l'entreprise. Cela ne dispense pas des obligations habituelles : la voix est une donnée personnelle, et les participants doivent être informés de l'enregistrement.

Avant d'investir dans du matériel, louez une carte quelques heures chez un hébergeur et testez sur vos propres enregistrements, avec vos accents, votre vocabulaire et votre bruit de fond. Les taux d'erreur publiés portent sur des jeux de données de référence, pas sur une salle de réunion.