NVIDIA presenta Nemotron 3.5 Transcribe, un modello per trascrivere audio registrato in 40 lingue

Un modello per trascrivere audio registrato

NVIDIA presenta Nemotron 3.5 Transcribe come un modello di riconoscimento vocale che converte in testo l’audio registrato. L’azienda lo descrive come un modello con pesi aperti, rivolto agli sviluppatori che creano strumenti per la trascrizione, la traduzione e l’elaborazione delle conversazioni. Le informazioni disponibili lo collocano in attività come la trascrizione di riunioni e la dettatura, ma non dimostrano che sia adatto a qualsiasi ambiente professionale né che offra le stesse prestazioni in tutte le lingue.

NVIDIA afferma che il modello trascrive in un massimo di 40 lingue e traduce 31 lingue da e verso l’inglese. Sono capacità distinte: la presenza di una lingua tra quelle supportate per la trascrizione non implica necessariamente che sia disponibile anche per tutte le altre funzioni. La copertura linguistica può variare a seconda dell’attività; chi sviluppa un’applicazione multilingue deve quindi provarla con le proprie registrazioni e con le funzioni che intende usare.

Parlanti, marcatori temporali e istruzioni

Tra le funzioni attribuite al modello figurano l’identificazione di un massimo di otto parlanti e la generazione di marcatori temporali per ogni parola. L’identificazione dei parlanti, chiamata anche diarizzazione, separa gli interventi delle diverse voci all’interno di una registrazione; non equivale a riconoscere l’identità reale di chi parla. Un’etichetta può aiutare a ordinare una conversazione, ma non prova chi sia la persona a cui è assegnata.

Il modello può inoltre ricevere istruzioni per orientare l’attività: per esempio, produrre una trascrizione letterale oppure più scorrevole, tenere conto di termini specialistici o tradurre. Questa flessibilità può adattare il risultato a esigenze diverse, ma non garantisce che il modello interpreti correttamente ogni istruzione o conservi tutte le sfumature dell’audio. In presenza di nomi propri, gergo o voci sovrapposte, è opportuno confrontare il testo con la registrazione.

Dimensioni del modello e parametri attivi

Le cifre pubblicate sulle dimensioni richiedono di distinguere tra parametri totali e parametri attivi. In un’architettura a miscela di esperti, non è detto che tutti i componenti vengano attivati a ogni passaggio di inferenza. Le descrizioni tecniche disponibili attribuiscono a NVIDIA circa 30 miliardi di parametri totali e circa 4 miliardi attivi; un’altra descrizione include l’encoder audio e riporta cifre superiori, pari a 34 miliardi di parametri totali e 4,3 miliardi attivi. Questi valori si riferiscono a componenti o perimetri diversi e non vanno confusi con le dimensioni di una variante in streaming.

Le informazioni disponibili non consentono di confermare, tramite documentazione primaria, quali configurazioni hardware siano necessarie per Nemotron 3.5 Transcribe né quanta memoria richieda in base alla precisione numerica o alla modalità di distribuzione. Il numero di parametri, da solo, non basta a calcolare la memoria necessaria durante l’esecuzione o la velocità: contano anche la quantizzazione, il formato dei pesi, le dimensioni dei batch e l’hardware utilizzato.

Che cosa indicano i dati sul tasso di errore

Il tasso di errore delle parole, o WER, confronta una trascrizione con un testo di riferimento e conteggia sostituzioni, omissioni e inserimenti. Un valore più basso indica meno errori nelle condizioni della valutazione, ma non è una misura universale della qualità: il risultato dipende dai dati audio, dalle lingue, dal rumore, dal tipo di parlato e dalle regole usate per preparare i dati.

I dati disponibili provengono da confronti e valutazioni attribuiti a NVIDIA o da classifiche secondarie consultate nell’ottobre 2026. Una fonte secondaria riporta una media del 5,33% nell’Open ASR Leaderboard per audio di prova in inglese; un’altra pubblica il 4,71% per un risultato in inglese e il 4,62% in una valutazione multilingue, riferendoli a test diversi. In assenza di documentazione primaria che specifichi i dataset, le versioni e il metodo di calcolo, questi valori non vanno trattati come un unico punteggio né confrontati direttamente. Non dimostrano inoltre che il modello ottenga risultati equivalenti in una lingua, con un accento o in un settore non rappresentati nei rispettivi test.

Un benchmark orienta il confronto in condizioni definite, ma non sostituisce una valutazione con registrazioni d’uso reale, soprattutto in presenza di rumore, vocabolario specialistico, audio telefonico o più voci contemporanee. Un risultato particolarmente favorevole in una prova non garantisce che il modello superi un’alternativa in una specifica applicazione.

Accesso, licenza e limiti pratici

Le descrizioni disponibili definiscono il modello a pesi aperti e menzionano una licenza specifica, ma la relativa documentazione primaria non è inclusa tra le fonti verificate. Su questa base non è possibile confermare la licenza applicabile, gli artefatti scaricabili o le condizioni per l’uso commerciale. Prima di integrarlo in un prodotto, è necessario consultare la scheda ufficiale aggiornata, i termini di licenza e i requisiti dell’ambiente previsto.

L’eventuale accesso ai pesi non elimina la necessità di valutare privacy, sicurezza e qualità. In un’applicazione medica o aziendale, una trascrizione può contenere informazioni sensibili e errori significativi. Le etichette dei parlanti non identificano le persone; inoltre, le risposte generate sul contenuto di una registrazione possono discostarsi da ciò che è stato effettivamente detto. Gli impieghi che incidono su decisioni importanti richiedono controlli e verifiche adeguati.

La proposta di NVIDIA si inserisce nel più ampio settore dei sistemi vocali, che comprende il riconoscimento automatico del parlato e la generazione vocale. La pagina istituzionale dell’azienda illustra questi componenti in termini generali, ma non costituisce una valutazione specifica di Nemotron 3.5 Transcribe. Per scegliere uno strumento, è importante distinguere tra trascrizione audio, traduzione, diarizzazione ed elaborazione in tempo reale: sono funzioni correlate, ma non intercambiabili.

Che cosa si può concludere finora

Nemotron 3.5 Transcribe viene presentato come uno strumento per trascrivere audio registrato in più lingue e riunire funzioni come traduzione, marcatori temporali e identificazione dei parlanti. Questa combinazione può interessare gli sviluppatori che vogliono sperimentare una pipeline vocale con più attività, ma le capacità annunciate non bastano a prevederne l’accuratezza in una specifica implementazione.

I dati pubblici disponibili descrivono valutazioni circoscritte e, da soli, non offrono un confronto completo e riproducibile per tutte le lingue e gli scenari. Le fonti primarie verificate non confermano inoltre i dettagli della licenza, i pesi scaricabili o i requisiti hardware. Per decidere, conviene distinguere ciò che il modello dichiara di fare da ciò che una prova locale dimostra con i dati e i vincoli reali di ciascuna applicazione.

Continua a esplorare

Correzioni e trasparenza

Se trovi un dato errato o non aggiornato, inviaci la pagina e la fonte da verificare.