NVIDIAs Nemotron 3.5 Transcribe führt offene ASR-Rangliste mit 5,33 % Fehlerquote an
Victoria Shinder1 Min. LesezeitNVIDIA hat Nemotron 3.5 Transcribe veröffentlicht, ein Sprachmodell mit offenen Gewichten auf Hugging Face und ModelScope, das Transkription, Sprecherzuordnung, Übersetzung und Fragen zum Audio in einem Checkpoint vereint. Laut Ankündigung transkribiert es 40 Sprachen, übersetzt 31 davon ins oder aus dem Englischen, ordnet Sprecher in 13 Sprachen zu, verarbeitet Aufnahmen bis zu einer Stunde und kennzeichnet bis zu acht Sprecher. Die Ausgabe wird per natürlicher Sprache gesteuert, etwa mit einer Liste erwarteter Fachbegriffe, die nur verwendet werden sollen, wenn das Audio sie stützt.
In der Open ASR Leaderboard von Hugging Face liegt es für Englisch mit 5,33 % durchschnittlicher Wortfehlerrate auf Platz eins unter den offenen Modellen, API-Modelle ausgenommen. NVIDIA nennt zudem 4,62 % über sieben Sprachen und 10,98 % bei langen Aufnahmen — jeweils der niedrigste Wert im Vergleich der Modellkarte — sowie die niedrigste Fehlerquote auf David AIs Diarisierungs-Rangliste über 21 Sprachen. Zeitstempel pro Wort werden unterstützt; Fragen zum Audio sind nur auf Englisch trainiert. Quantisierte Fassungen sind angekündigt.
Parallel veröffentlichte NVIDIA Granary v2, einen mehrsprachigen Datensatz samt Aufbereitungs-Pipeline, und NeMo-Rezepte zum Feintuning. In einer medizinischen Fallstudie senkte das Feintuning die Fehlerquote bei unbekannten Sprechern um 45,8 % gegenüber dem besten Prompt. Der Beitrag selbst rät, Namen, Sprecherwechsel und Antworten am Original zu prüfen.
Was das bedeutet
Praktisch neu ist die Bündelung: Diarisierung, Übersetzung und Transkription bedeuten meist zwei oder drei verkettete Modelle mit je eigenen Fehlern. Ein steuerbarer Checkpoint vereinfacht diese Kette. Die Ranglistenplätze sind NVIDIAs Lesart öffentlicher Tabellen, und das Medizinergebnis vergleicht Feintuning mit Prompting am selben Modell — es sagt mehr über den Wert von Fachdaten als über Konkurrenten.