Nemotron 3.5 Transcribe di NVIDIA: trascrizione aperta in 40 lingue

NVIDIA ha rilasciato Nemotron 3.5 Transcribe, un modello a pesi aperti che trascrive l’audio in 40 lingue e, con lo stesso checkpoint, traduce, riconosce chi sta parlando e risponde a domande sul contenuto di una registrazione. Non è il solito modello di riconoscimento vocale: è un sistema che prende istruzioni in linguaggio naturale e può restituire, dalla stessa registrazione, una trascrizione con i nomi dei partecipanti, una traduzione in inglese o un riassunto delle decisioni prese.

La notizia interessa chiunque lavori con riunioni, interviste, podcast o archivi audio, perché porta in un unico modello gratuito funzioni che finora richiedevano più strumenti da cucire insieme.

Cos’è Nemotron 3.5 Transcribe e come è fatto

Secondo quanto riportato dalla stampa specializzata e dall’annuncio ufficiale di NVIDIA su X, il modello è basato su un’architettura mixture of experts da circa 30 miliardi di parametri totali, dei quali solo circa 4 miliardi sono attivi a ogni passaggio. Il nome del checkpoint, 30B-A4B, racconta proprio questo. Il vantaggio è pratico: si ottiene la qualità di un modello grande con un costo di calcolo simile a quello di un modello molto più piccolo.

Il modello gira su una singola GPU NVIDIA, dalle schede compatte come DGX Spark e Jetson fino ai chip Blackwell dei data center. Per chi sviluppa in locale è un dettaglio decisivo, perché significa poter trattare audio sensibili senza inviarli a un servizio esterno.

Le funzioni principali

Nemotron 3.5 Transcribe trascrive 40 lingue e traduce da e verso l’inglese in 31 di esse. Riconosce i parlanti, fino a otto per registrazione, in 13 lingue, e gestisce file lunghi fino a un’ora. La caratteristica più interessante è la possibilità di guidarlo con un prompt testuale, come faresti con un assistente conversazionale.

Puoi chiedere una trascrizione fedele parola per parola oppure una versione ripulita dalle esitazioni. Puoi anche fornire un elenco di termini tecnici, per esempio nomi di farmaci o di prodotti, come suggerimento: il modello dovrebbe usarli solo quando li sente davvero nell’audio, senza inventarli.

Il modello può inoltre rispondere a domande sul contenuto dell’audio. Questa funzione di audio question answering è stata addestrata in inglese, quindi è bene non aspettarsi la stessa resa in tutte le lingue.

Il limite da conoscere subito

Nemotron 3.5 Transcribe lavora solo su registrazioni, non su flussi in tempo reale. Se ti serve la trascrizione dal vivo di una chiamata o di un agente vocale, devi guardare altrove. È una scelta coerente con l’obiettivo: qualità massima su audio già registrato, dove puoi permetterti qualche secondo di elaborazione.

I benchmark: cosa dicono i numeri

Sulla classifica Open ASR in inglese di Hugging Face il modello ottiene un tasso medio di errore sulle parole (WER) del 5,33%, il miglior risultato tra i modelli a pesi aperti. Per confronto, Qwen3-ASR-1.7B si ferma al 5,4% e Granite Speech di IBM al 5,68%. Sono differenze piccole, ma in questo campo ogni decimale conta.

Su Artificial Analysis il modello registra un WER del 2,81%, contro il 2,77% di Voxtral Small di Mistral, che però usa circa sei volte più parametri attivi. Il dato più utile è proprio questo: prestazioni quasi pari con una frazione del calcolo.

Sul parlato sovrapposto, uno scenario difficile per qualunque sistema, il modello risulta primo su VoiceArena tra 14 sistemi, perdendo l’8,32% delle parole contro una mediana di circa il 31%. Questi sono risultati riportati da NVIDIA e da fonti indipendenti, quindi conviene sempre provarli sui tuoi audio reali prima di fidarti.

Granary v2 e l’adattamento ai settori specializzati

Insieme al modello, NVIDIA ha pubblicato la seconda versione di Granary, il dataset aperto di parlato usato come base per l’addestramento, che passa da 25 a 48 lingue. L’azienda rilascia anche gli strumenti con cui il dataset è stato costruito, un gesto utile per la comunità che lavora sulle lingue meno rappresentate. Gli audio vanno scaricati dalle fonti originali, ciascuna con la propria licenza, ed è un aspetto da verificare se pensi a un uso commerciale.

La parte più concreta riguarda l’adattamento a un dominio. NVIDIA ha mostrato un esempio medico, con medici e studenti di medicina indiani. Sul benchmark completo l’errore scende dal 30,8% del modello base al 23,8% con un prompt più preciso, fino all’11,8% dopo il fine-tuning. Sui parlanti mai visti il miglioramento relativo è del 45,8%.

Il fine-tuning ha usato soprattutto voce sintetica ed è durato circa 14 ore di GPU su un singolo chip GB300. NVIDIA consiglia di avere almeno 100 registrazioni reali verificate per testare le versioni personalizzate.

Perché è importante nel panorama del parlato

Il mercato della trascrizione si sta affollando. Nelle ultime settimane abbiamo raccontato MAI-Transcribe-2 Streaming di Microsoft, pensato per gli agenti vocali, la trascrizione di xAI con Grok Voice Transcribe 2.0 e la trascrizione in tempo reale di Meta con Muse Voice Transcribe. Molte di queste proposte puntano al tempo reale e a servizi in cloud.

NVIDIA sceglie una strada diversa: pesi aperti, esecuzione locale, lavoro su registrazioni lunghe e personalizzazione.

È una scelta che si lega alla strategia più ampia della famiglia Nemotron, di cui abbiamo parlato con Nemotron 3.5 Super VL: costruire un ecosistema di modelli aperti che girano sull’hardware dell’azienda, dal tavolo dello sviluppatore al data center. Più modelli aperti di qualità esistono, più la domanda di GPU NVIDIA resta alta, e non è un caso.

C’è poi un tema di costi. Chi oggi paga la trascrizione a consumo, a ore di audio, può confrontare la spesa mensile con quella di una GPU dedicata o presa a noleggio. Con volumi bassi il servizio a pagamento resta spesso più comodo, mentre con archivi grandi e ricorrenti, come interviste, lezioni o chiamate registrate, un modello aperto da far girare in proprio può diventare molto più conveniente nel lungo periodo.

Cosa cambia per chi lavora con contenuti e SEO

Se produci video, podcast o webinar, una trascrizione accurata e multilingue è la base per sottotitoli, articoli derivati e contenuti ottimizzati per i motori di ricerca. Poter partire da una trascrizione già etichettata per parlante e tradotta riduce molto il lavoro editoriale. Resta fondamentale la revisione umana: nessun modello è perfetto, soprattutto con accenti marcati, rumore di fondo e termini di nicchia.

Anche chi lavora in sanità, nel legale o nell’assistenza clienti ha un vantaggio: poter adattare il modello al proprio vocabolario e tenerlo in locale aiuta a rispettare i requisiti di riservatezza. Va comunque verificata la licenza d’uso riportata nella scheda del modello su Hugging Face, perché le fonti consultate non concordano su tutti i dettagli.

Come provarlo e conclusioni

Il modello e il dataset sono disponibili su Hugging Face nello spazio dell’organizzazione NVIDIA, insieme a una demo online e a guide per il fine-tuning. Se non conosci la piattaforma, puoi partire dalla nostra guida su cos’è Hugging Face e come si usa. Un buon approccio è prendere dieci registrazioni reali, con le tue lingue e il tuo gergo, e confrontare i risultati con lo strumento che usi oggi.

Nemotron 3.5 Transcribe non rivoluziona da solo il mondo del parlato, ma alza l’asticella di ciò che ci si può aspettare da un modello aperto: trascrizione, traduzione, riconoscimento dei parlanti e comprensione dell’audio in un unico pacchetto, eseguibile su una sola GPU. Il limite del tempo reale resta, e i benchmark vanno sempre verificati sui tuoi casi d’uso.

Se lavori con l’audio, vale la pena fare una prova questa settimana e valutare se il costo di calcolo è inferiore a quello dei servizi a pagamento. Seguici per i prossimi aggiornamenti sui modelli vocali aperti e sul resto delle novità dell’intelligenza artificiale.