# NVIDIA lance Nemotron 3.5 pour la transcription multilingue _Publié le 29 octobre 2026 — https://ip73.fr/nvidia-lance-nemotron-3-5-pour-la-transcription-multilingue/_ NVIDIA a rendu disponible Nemotron 3.5 Transcribe, un modèle de transcription open-weight qui transforme l'enregistrement audio en texte exploitable, en intégrant la reconnaissance vocale, l'attribution des locuteurs, la traduction et la réponse aux questions audio en un seul point de contrôle. Ce modèle gère la transcription de 40 langues, traduit 31 d'entre elles vers ou depuis l'anglais, et identifie les locuteurs dans 13 langues. Il peut traiter des enregistrements allant jusqu'à une heure et étiqueter jusqu'à huit intervenants. Le besoin de transcrire ne se limite plus à capturer les mots. Les réunions multilingues, les dictées médicales ou les appels rapides exigent des formats de sortie spécifiques : une traduction, des étiquettes de locuteur, ou une orthographe médicale précise. Nemotron 3.5 permet aux développeurs de guider ce résultat grâce à des instructions en langage naturel. On peut demander au modèle, par exemple : « Transcrivez cet enregistrement et étiquetez chaque orateur », ou « Traduisez cet audio en anglais ». Ce modèle se distingue par ses performances mesurées. Sur le classement Open ASR de Hugging Face, il est le premier modèle open-weight pour l'anglais, affichant un taux d'erreur de mots (WER) moyen de 5,33 %. De plus, selon Artificial Analysis, il atteint un AA-WER de 2,8 % avec environ quatre milliards de paramètres actifs, ce qui le place sur la frontière de Pareto de l'exactitude par rapport aux paramètres utilisés. ## L'adaptation par le pipeline Granary v2 Au-delà de la reconnaissance brute, NVIDIA a déployé Granary v2. Ce pipeline de données multilingues, disponible sur Hugging Face et ModelScope, permet une adaptation poussée du modèle. En utilisant les outils de réglage fin NeMo Speech, les développeurs peuvent définir la forme écrite exacte souhaitée. Une étude de cas médicale a montré que le taux d'erreur de mots a été réduit de 45,8 % en réglant le modèle sur des données spécifiques. Le modèle permet également d'intégrer des connaissances contextuelles avant l'entraînement. Dans un contexte de santé, par exemple, un développeur peut spécifier : « Transcrivez cette discussion médicale dans sa langue originale. Termes possibles : HbA1c, metformin. Utilisez ces termes uniquement si l'audio les soutient. Préservez l'orthographe médicale standard. » ## Performances sur les benchmarks spécialisés En ce qui concerne l'attribution des locuteurs, Nemotron 3.5 se classe premier parmi les modèles open-weight sur le benchmark DAI-ASR-I18N de David AI. Il est également en tête sur le classement de VoiceArena pour la comparaison des systèmes. Pour les enregistrements longs, le modèle gère des sessions allant jusqu'à une heure. Le modèle peut produire différents résultats à partir d'un même fichier – transcription, traduction ou réponse à une question sur le contenu. Cependant, comme pour tout système de traitement du langage, il est nécessaire de vérifier manuellement les noms propres et les changements de locuteurs avant toute intégration en production. ## Sources - [NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt](https://huggingface.co/blog/nvidia/nemotron-transcribe-granary), Hugging Face, 28 octobre 2026 - [Nvidia launches a promptable transcription model](https://thenewstack.io/nvidia-nemotron-promptable-transcription/), The New Stack, 28 octobre 2026