Ein Modell für die Transkription aufgezeichneter Audiodaten
NVIDIA hat Nemotron 3.5 Transcribe als Spracherkennungsmodell vorgestellt, das aufgezeichnete Audiodaten in Text umwandeln soll. Das Unternehmen beschreibt es als Modell mit offenen Gewichten für Entwickler, die Werkzeuge zur Transkription, Übersetzung und Verarbeitung von Gesprächen entwickeln. Als mögliche Aufgaben werden unter anderem Besprechungen und Diktate genannt. Die verfügbaren Informationen belegen jedoch weder die Eignung für sämtliche professionellen Umgebungen noch eine gleichbleibende Leistung in allen Sprachen.
NVIDIA zufolge unterstützt das Modell die Transkription in bis zu 40 Sprachen und die Übersetzung von 31 Sprachen ins Englische und aus dem Englischen. Dabei handelt es sich um unterschiedliche Funktionen: Dass eine Sprache für die Transkription unterstützt wird, bedeutet nicht automatisch, dass sie auch für jede andere Funktion verfügbar ist. Sprach- und Aufgabenabdeckung können variieren. Wer eine mehrsprachige Anwendung entwickelt, sollte daher die konkreten Funktionen mit eigenen Aufnahmen testen.
Sprecher, Zeitstempel und Anweisungen
Zu den dem Modell zugeschriebenen Funktionen gehören die Zuordnung von bis zu acht Sprechern und Zeitstempel für einzelne Wörter. Die Sprecherzuordnung, auch Diarisierung genannt, trennt die Beiträge verschiedener Stimmen innerhalb einer Aufnahme. Sie ist nicht gleichbedeutend mit der Identifizierung der tatsächlichen Personen. Eine Sprecherkennzeichnung kann dabei helfen, ein Gespräch zu strukturieren, belegt aber nicht, wer die betreffende Person ist.
Das Modell soll sich außerdem mithilfe von Anweisungen auf bestimmte Aufgaben ausrichten lassen. Dazu zählen etwa die Wahl zwischen einer wortgetreuen und einer geglätteten Transkription, die Angabe von Fachbegriffen oder die Anforderung einer Übersetzung. Solche Vorgaben können die Ausgabe auf verschiedene Zwecke abstimmen, garantieren aber weder, dass das Modell jede Anweisung richtig interpretiert, noch, dass alle Feinheiten des Audios erhalten bleiben. Bei Eigennamen, Fachsprache und überlappenden Stimmen sollte der Text mit der Aufnahme abgeglichen werden.
Modellgröße und aktive Parameter
Bei Angaben zur Modellgröße ist es wichtig, zwischen Gesamtparametern und aktiven Parametern zu unterscheiden. Bei einer Mixture-of-Experts-Architektur werden nicht zwangsläufig alle Komponenten bei jedem Inferenzschritt aktiviert. Die konsultierte technische Berichterstattung nennt für NVIDIA rund 30 Milliarden Gesamtparameter und etwa 4 Milliarden aktive Parameter. Eine andere Architekturbeschreibung bezieht den Audio-Encoder ein und nennt höhere Werte: 34 Milliarden Gesamtparameter und 4,3 Milliarden aktive Parameter. Diese Angaben beziehen sich auf unterschiedliche Komponenten oder Abgrenzungen und sollten nicht mit der Größe einer Streaming-Variante verwechselt werden.
Die verfügbaren Informationen bestätigen nicht anhand bereitgestellter Primärdokumentation, welche Hardware Nemotron 3.5 Transcribe benötigt oder wie hoch der Speicherbedarf bei bestimmten numerischen Formaten und Bereitstellungsarten ist. Aus der Parameterzahl allein lassen sich weder der tatsächliche Speicherbedarf während der Inferenz noch die Geschwindigkeit ableiten. Auch Quantisierung, Gewichtsformat, Batch-Größe und verwendete Hardware spielen eine Rolle.
Angaben zur Modellgröße richtig einordnen
Die Zahlen beziehen sich auf unterschiedliche Maße. Keine einzelne davon bestimmt für sich genommen die praktische Leistung oder den Ressourcenbedarf.
| Maß | Was es beschreibt | Was sich daraus allein nicht ableiten lässt |
|---|---|---|
| Gesamtparameter | Die zusammengefasste Größe der in einer Beschreibung enthaltenen Komponenten. | Der genaue Speicherbedarf während der Inferenz. |
| Aktive Parameter | Der Teil des Modells, der je nach Architektur für einen Verarbeitungsschritt oder ein Token aktiviert wird. | Die tatsächliche Geschwindigkeit auf bestimmter Hardware. |
| Parameter einer Variante | Die einer bestimmten Version oder Komponente zugeschriebene Größe. | Dass diese Version dieselben Funktionen wie das vollständige Modell hat. |
Was die Fehlerquoten aussagen
Die Wortfehlerrate, kurz WER, vergleicht eine Transkription mit einer Referenz und zählt Ersetzungen, Auslassungen und Einfügungen. Ein niedrigerer Wert bedeutet unter den Bedingungen des jeweiligen Tests weniger Fehler. Er ist jedoch kein allgemeingültiges Qualitätsmaß: Das Ergebnis hängt unter anderem von den verwendeten Aufnahmen, Sprachen, Hintergrundgeräuschen, Sprechweisen und Regeln zur Datenaufbereitung ab.
Die verfügbaren Werte stammen aus Tests und Vergleichen, die NVIDIA zugeschrieben werden, oder aus sekundären Tabellen, die im Oktober 2026 eingesehen wurden. Eine Sekundärquelle nennt für englische Testdaten im Open ASR Leaderboard einen Durchschnitt von 5,33 Prozent. Eine andere veröffentlicht 4,71 Prozent für einen englischen Test und 4,62 Prozent für eine mehrsprachige Auswertung und ordnet diese Werte unterschiedlichen Tests zu. Da die zugrunde liegende Primärdokumentation zu Datensätzen, Versionen und Berechnungsmethoden hier nicht vorliegt, sollten diese Werte weder als eine einzige Punktzahl behandelt noch direkt miteinander verglichen werden. Sie belegen auch keine vergleichbare Leistung für Sprachen, Akzente oder Fachgebiete, die in den jeweiligen Tests nicht vertreten sind.
Ein Benchmark hilft bei einem Vergleich unter festgelegten Bedingungen. Er ersetzt keine Prüfung mit Aufnahmen aus dem tatsächlichen Einsatz, insbesondere bei Hintergrundgeräuschen, Fachvokabular, Telefonaufnahmen oder gleichzeitig sprechenden Personen. Eine auffällige Kennzahl garantiert deshalb nicht, dass das Modell in einer konkreten Anwendung besser abschneidet als eine Alternative.
Ein aussagekräftiger Vergleich für den eigenen Anwendungsfall
Damit sich eine eigene Auswertung sinnvoll interpretieren lässt, sollten die Modelle unter vergleichbaren Bedingungen getestet werden. Die Ergebnisse sollten nach Audiotyp aufgeschlüsselt werden, nicht nur als allgemeiner Durchschnitt.
- 01Wähle repräsentative Aufnahmen aus den Sprachen, Mikrofonen, Geräuschpegeln und Fachgebieten aus, die in der Anwendung vorkommen werden.
- 02Verwende für jedes Modell dieselben Aufnahmen und Referenztexte. Dokumentiere jede angewandte Normalisierung.
- 03Berechne die WER getrennt nach Sprache oder Kategorie und prüfe Eigennamen, Sprecherzuordnung und Zeitstempel zusätzlich.
- 04Vergleiche auch Latenz und Ressourcenverbrauch auf der vorgesehenen Hardware. Gehe nicht davon aus, dass ein Genauigkeitswert diese Ergebnisse bestimmt.
Zugang, Lizenz und praktische Grenzen
Sekundärquellen beschreiben das Modell als Modell mit offenen Gewichten und nennen eine bestimmte Lizenz. Die dazugehörige Primärdokumentation liegt hier jedoch nicht vor. Daher lassen sich anhand dieses Materials weder die geltende Lizenz noch die verfügbaren Download-Artefakte oder die Bedingungen für die kommerzielle Nutzung bestätigen. Wer das Modell in ein Produkt integrieren möchte, sollte die aktuelle offizielle Modellkarte, die Lizenzbedingungen und die Anforderungen der vorgesehenen Umgebung prüfen.
Der Zugang zu Gewichten hebt die Notwendigkeit einer Prüfung von Datenschutz, Sicherheit und Qualität nicht auf. In medizinischen oder betrieblichen Anwendungen können Transkripte sensible Informationen und folgenschwere Fehler enthalten. Sprecherkennzeichnungen identifizieren keine Personen. Auch Antworten, die das Modell zum Inhalt einer Aufnahme erzeugt, können von dem abweichen, was tatsächlich gesagt wurde. Wenn der Einsatz wichtige Entscheidungen beeinflusst, sind geeignete Kontrollen und Überprüfungen erforderlich.
NVIDIAs Angebot ist Teil eines größeren Feldes von Sprachsystemen, zu denen automatische Spracherkennung und Sprachgenerierung gehören. Die Unternehmensseite erläutert diese allgemeinen Komponenten, ist aber keine spezifische Bewertung von Nemotron 3.5 Transcribe. Bei der Auswahl eines Werkzeugs sollte zwischen Audiotranskription, Übersetzung, Diarisierung und Echtzeitverarbeitung unterschieden werden: Diese Funktionen hängen zusammen, sind aber nicht austauschbar.
Vor der Integration eines Modells prüfen
Die Bewertung sollte sowohl die technische Aufgabe als auch die Bedingungen für den Einsatz umfassen.
| Aspekt | Was zu prüfen ist |
|---|---|
| Abdeckung | Ob Sprache und konkrete Funktion in der vorgesehenen Version verfügbar sind. |
| Qualität | Wortfehler, Eigennamen, Fachvokabular und Sprecherzuordnung bei eigenen Aufnahmen. |
| Betrieb | Kompatibilität mit Hardware sowie erwartete Latenz, Speicherbedarf und Verarbeitungslast. |
| Nutzungsbedingungen | Aktuelle Lizenz, Herkunft der Gewichte und Verpflichtungen für das Produkt. |
| Risiken und Datenschutz | Umgang mit sensiblen Aufnahmen, menschliche Prüfung und Folgen von Fehlern im jeweiligen Einsatz. |
Was sich derzeit sagen lässt
Nemotron 3.5 Transcribe wird als Option zur Transkription aufgezeichneter Audiodaten in mehreren Sprachen vorgestellt. Zu den genannten Funktionen gehören Übersetzung, Zeitstempel und Sprecherzuordnung. Diese Kombination kann für Entwickler interessant sein, die eine Sprachverarbeitung mit mehreren Aufgaben erproben wollen. Die angekündigten Funktionen reichen jedoch nicht aus, um die Genauigkeit in einer konkreten Implementierung vorherzusagen.
Die veröffentlichten Werte beziehen sich auf bestimmte Tests und liefern für sich genommen keinen vollständigen, reproduzierbaren Vergleich über alle Sprachen und Einsatzszenarien. Auch die Details der Lizenz, die herunterladbaren Gewichte und die erforderliche Hardware sind durch die hier verifizierten Quellen nicht bestätigt. Für eine fundierte Entscheidung sollte man die vom Modell angegebenen Fähigkeiten von den Ergebnissen trennen, die eine eigene Prüfung mit den tatsächlichen Daten und Einschränkungen der Anwendung nachweist.
Offene Fragen
- Die verifizierten Quellen enthalten keine modellspezifische Primärdokumentation, mit der sich die geltende Lizenz und die Nutzungsbedingungen für die Gewichte bestätigen ließen.
- Nicht geklärt ist, welche Sprachen und Aufgaben in den jeweiligen Tests validiert wurden oder wie die Diarisierung mit überlappenden Stimmen funktioniert.
- Die genannten WER-Werte stammen aus unterschiedlich beschriebenen Tests. Mit den verfügbaren Quellen lassen sich Datensätze, Versionen und Methoden nicht vereinheitlichen und daher nicht direkt vergleichen.
- Mindestanforderungen an die Hardware, Speicherverbrauch und Inferenzleistung für konkrete Konfigurationen sind nicht bestätigt.
Weiter entdecken
Verwendete Quellen
Korrekturen und Transparenz
Wenn du falsche oder veraltete Angaben findest, sende uns die Seite und die zu prüfende Quelle.
Korrektur vorschlagen