LONDON (IT BOLTWISE) – NVIDIA stellt mit Nemotron 3.5 Transcribe ein freies, quelloffenes Speech-to-Text-Modell vor. Es soll Audio in bis zu 40 Sprachen transkribieren und Übersetzungen zwischen 31 Sprachen und Englisch ermöglichen. Für Entwickler ist besonders relevant, dass das Modell bis zu acht Sprecher in einer Aufnahme unterscheiden kann und bis zu eine Stunde lange Audios verarbeitet. Einen Haken nennt NVIDIA aber gleich: Transcribe ist auf aufgezeichnete Dateien ausgelegt, nicht auf Livestreams.
Mit Nemotron 3.5 Transcribe rückt NVIDIA erneut in den Fokus der Entwickler, die Sprachmodelle nicht nur als fertige Black-Box nutzen wollen, sondern als anpassbare Bausteine für eigene Produkte. Das neue Modell ist laut NVIDIA als freies, open-weight Angebot positioniert und zielt auf eine klare Umsetzung im Arbeitsalltag: Transkription für Business-Meetings und medizinische Dokumentation. Dabei ist der Ansatz technisch bewusst pragmatisch. Statt eine einzige „Allzweck“-Demonstration zu liefern, liefert NVIDIA ein Modellpaket samt Datensatzaktualisierung, das sich gezielt in bestehende Pipelines integrieren lässt.
Im Kern verspricht Nemotron 3.5 Transcribe Unterstützung für bis zu 40 Sprachen bei der Transkription. Zusätzlich nennt NVIDIA eine Übersetzungsfähigkeit „zu und von Englisch“ für 31 Sprachen, womit sich in der Praxis mehrere Wege eröffnen: Man kann Rohsprache direkt in Text fürs Protokoll übersetzen oder mehrsprachige Inhalte erst in eine gemeinsame Textbasis überführen und dann nachgelagert weiterverarbeiten. Für viele Meeting-Use-Cases ist auch der von NVIDIA hervorgehobene Diarization-Teil wichtig: Das Modell soll bis zu acht Sprecher in einer Aufnahme unterscheiden können. Genau diese Trennung ist oft der Unterschied zwischen brauchbarem Mitschrieb und einem Text, der sich ohne manuelle Nacharbeit nicht für Zusammenfassungen, Tickets oder CRM-Notizen eignet. NVIDIA setzt außerdem eine klare Begrenzung in der Bedienbarkeit: Die maximale Aufnahmelänge liegt bei bis zu einer Stunde.
Damit nicht nur das Modell, sondern auch die Datengrundlage „mitwächst“, veröffentlicht NVIDIA parallel Version 2 des open-source Speech-Datasets Granary. Für Unternehmen und Teams, die nicht nur transkribieren, sondern auch Branchenjargon zuverlässig erkennen müssen, ist das Zusammenspiel aus Modell und Datenset entscheidend. NVIDIA adressiert genau diesen Punkt: Entwickler sollen das Modell, Granary 2 sowie weitere Komponenten aus dem NeMo-Ökosystem nutzen können, um Anwendungen so zu customizen, dass sie die spezifischen Wörter und Muster einer Branche in mehreren Sprachen besser abbilden. Das ist weniger ein Marketing-Satz als vielmehr eine praxisnahe Antwort auf ein wiederkehrendes Problem in der Sprachtechnologie: Generic ASR (Automatic Speech Recognition) funktioniert oft gut bei „Standarddeutsch“ oder gängigen englischen Quellen, aber scheitert spätestens bei medizinischen Abkürzungen, Produktnamen, prozessspezifischen Begriffen oder seltenen Eigennamen. Der eine Engpass, den NVIDIA offen benennt, ist allerdings funktional: Transcribe arbeitet mit aufgezeichnetem Audio, nicht mit Livestreams.
Technisch macht NVIDIA die Einsatzfähigkeit über Hardware-Optionen greifbar. Nemotron 3.5 Transcribe bringt NVIDIA zufolge 30 Milliarden Parameter mit und soll sich auf einem einzelnen Chip ausführen lassen. Das ist für die Architekturentscheidung relevant, weil es die Hürde für „Self-hosted“ oder Edge-nahe Bereitstellungen senken kann: Teams können eher mit kleineren Footprints planen, statt sofort mehrere Beschleuniger in den Datenpfad einzuplanen. NVIDIA nennt hierfür ausdrücklich mehrere Zielplattformen – vom Jetson AGX Thor als Robotik-Controller über DGX Spark als Basis für neue Laptop-Setups bis hin zu Blackwell-Datacenter-Chips. Das klingt wie eine breite Roadmap-Story, ist aber in der Umsetzung vor allem ein Signal: Das Modell soll in sehr unterschiedlichen Latenz- und Kostenbudgets lauffähig sein. In denselben Kontext ordnet NVIDIA außerdem die „open-weight voice“-Linie ein, zu der auch Parakeet mit 1,1 Milliarden Parametern gehört – ein Ansatz, der eine Art Größenstaffel für unterschiedliche Use-Cases ermöglicht.
Der Zeitpunkt der Veröffentlichung wirkt wie ein erneuter Schub in einer Phase, in der Sprach-KI besonders sichtbar wird. Aus der Quelle geht hervor, dass parallel mehrere Anbieter neue Voice-Angebote herausgebracht haben: Mistral lieferte Voxtral 3, ElevenLabs startete Realtime für sofortige Sprache in Voice Agents, und Salesforce veröffentlichte Launa-Omni als eigenes Voice-Modell. Für Entwickler bedeutet das weniger „Kampf um Aufmerksamkeit“, sondern vor allem: Es gibt inzwischen mehrere funktionale Rollenmodelle im Markt – vom Transkriptions- und Übersetzungskern bis hin zu Systemen, die in Echtzeit mit Nutzern interagieren. Genau an dieser Stelle sitzt das Differenzierungsmerkmal von Nemotron 3.5 Transcribe: Während Realtime-Produkte meist auf Gesprächsfluss und sehr niedrige Verzögerungen optimiert sind, fokussiert NVIDIA das stabile Erfassen und Umwandeln von aufgezeichneten Audios in text- und translationsfähige Ergebnisse. Für viele Unternehmensprozesse ist das völlig ausreichend, weil Meetings, Telefonate oder Diktate typischerweise als Audio-Assets archiviert und anschließend verarbeitet werden.
Historisch betrachtet folgt NVIDIA damit einem Trend, der sich seit den frühen Tagen der ASR-Entwicklung zu immer „produktnäheren“ Workflows hinbewegt hat. Wo frühe Speech-Systeme oft schwer zu kontrollieren waren oder stark auf proprietäre Stacks setzten, gewinnen open-weight Ansätze in Unternehmen vor allem wegen zwei Faktoren: Anpassbarkeit und Betriebsfähigkeit. Anpassbarkeit betrifft nicht nur Finetuning, sondern auch das Zusammenspiel mit bestehenden Tools, etwa Such- und Knowledge-Workflows, Ticket-Systeme oder medizinische Dokumentationsroutinen. Betriebsfähigkeit betrifft Deployments, Monitoring und Kostenmodelle. NVIDIA adressiert Letzteres direkt, indem es einen single-chip Betrieb in Aussicht stellt und zugleich eine eigene Modellfamilie (etwa über NeMo) als „Baukasten“ andeutet. Dass Transcribe nicht für Live-Streaming gedacht ist, ist in dieser Logik kein Rückschritt, sondern eine bewusste Setzung auf Segmentqualität: Aufgezeichnete Aufnahmen lassen sich mit mehr Kontext verarbeiten, und die Robustheit gegenüber Randbedingungen ist in vielen Use-Cases der entscheidendere Hebel als Millisekunden-Latenz.
Für die Industrieanwendung heißt das konkret: Teams, die bisher auf proprietäre API-basierte Transkription angewiesen waren, können nun prüfen, wie weit ein Modell wie Nemotron 3.5 Transcribe in ihre Architektur passt. Gerade in sensiblen Umgebungen wie Gesundheits- oder Compliance-nahe Dokumentationsketten ist die Fähigkeit, Datenpipelines selbst zu betreiben, oft wichtiger als reine WER- oder CER-Benchmarks. NVIDIA behauptet zudem, die Leistung auf Benchmarks zu verbessern, einschließlich eines Vergleichs über das Hugging Face Open ASR Leaderboard. Welche Benchmark-Details im Einzelfall die eigene Zielsprache und Akustik treffen, müssen Integratoren jedoch selbst validieren. Trotzdem ergibt sich ein klarer praktischer Auftrag: Entwickler können das Modell sowie Granary 2 nutzen, um eine Domänenanpassung für Fachsprache aufzubauen – etwa für Terminologien im medizinischen Kontext oder standardisierte Meeting-Formate in Unternehmen. Der Markt bleibt damit in Bewegung, aber für viele Use-Cases verschiebt sich der Fokus von „Können“ hin zu „Wie zuverlässig und wie gut integrierbar“.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "NVIDIA Nemotron 3.5 Transcribe: Open-Weight-Modell für 40 Sprachen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "NVIDIA Nemotron 3.5 Transcribe: Open-Weight-Modell für 40 Sprachen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »NVIDIA Nemotron 3.5 Transcribe: Open-Weight-Modell für 40 Sprachen« bei Google Deutschland suchen, bei Bing oder Google News!