NVIDIA opublikowała 28 października 2026 r. Nemotron 3.5 Transcribe, otwarty model, który w jednym pliku wag łączy transkrypcję mowy w 40 językach, tłumaczenie, rozpoznawanie mówców i odpowiadanie na pytania o treść nagrania. Model zajął pierwsze miejsce wśród modeli otwartych w angielskim rankingu Hugging Face Open ASR (5,33 proc. błędnie rozpoznanych słów) i wygrał dwa niezależne testy przypisywania wypowiedzi do mówców.
- NVIDIA Nemotron 3.5 Transcribe zajął pierwsze miejsce wśród modeli otwartych w angielskim rankingu Hugging Face Open ASR z wynikiem 5,33 proc. błędnie rozpoznanych słów (WER), a w indeksie Artificial Analysis osiągnął 2,8 proc. WER, ex aequo z Voxtral Small od Mistrala.
- Dostrojenie modelu do terminologii medycznej na zestawie testowym Eka Care zmniejszyło liczbę błędów o 45,8 proc. (z 22,44 do 12,17 proc. WER na nagraniach mówców nieużywanych przy wyborze ustawień), a cała adaptacja trwała ok. 14 godzin pracy jednego układu NVIDIA GB300.
- Język polski należy do grupy 13 języków najwyższej kategorii jakości, z wynikiem 3,81 proc. WER na teście FLEURS, jednak polski nie jest objęty obsługą rozpoznawania mówców, co oznacza brak oficjalnie wspieranego podziału wypowiedzi na osoby w transkrypcjach polskich spotkań.
Razem z modelem NVIDIA udostępniła zbiór danych Granary v2, narzędzia do pozyskiwania i porządkowania nagrań oraz gotowe przepisy na dostrajanie modelu do własnej branży. Licencja OpenMDW-1.1 pozwala na użycie komercyjne.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Nemotron 3.5 Transcribe zastępuje kilka narzędzi jednym modelem sterowanym poleceniami
Nemotron 3.5 Transcribe zmienia rodzaj wyniku w zależności od polecenia wpisanego zwykłym językiem. Ten sam plik audio może dać dosłowny zapis rozmowy, oczyszczony tekst bez „yyy” i powtórzeń, tłumaczenie na angielski albo odpowiedź na pytanie typu „jakie decyzje zapadły na spotkaniu?”.
Do tej pory takie zadania zwykle obsługiwało kilka osobnych systemów: jeden rozpoznawał mowę, drugi ustalał, kto mówi, trzeci tłumaczył. Według karty modelu na Hugging Face Nemotron 3.5 Transcribe obsługuje:
- transkrypcję w 40 językach, także przy przeskakiwaniu między językami w jednej wypowiedzi,
- tłumaczenie z angielskiego i na angielski w 31 językach,
- rozpoznawanie do 8 mówców w 13 językach,
- nagrania do godziny długości,
- znaczniki czasu dla pojedynczych słów,
- listy terminów podawanych w poleceniu, np. nazw leków czy firm,
- odpowiedzi na pytania o nagranie (trenowane i testowane wyłącznie po angielsku).
Model łączy enkoder mowy i enkoder mówców z hybrydowym modelem językowym Mamba-Transformer typu mixture-of-experts, czyli takim, w którym przy każdym kroku pracuje tylko część sieci. Nazwa sugeruje 30 mld parametrów i 4 mld aktywnych. Karta modelu precyzuje, że łącznie z enkoderem audio to 34 mld parametrów, z których aktywnych jest ok. 4,3 mld. Podstawą jest model językowy Nemotron 3.5 Lightning 30B-A3B. Do treningu użyto ok. 1,72 mln godzin unikalnych nagrań.
NVIDIA prowadzi wśród otwartych modeli w czterech zestawieniach
Nemotron 3.5 Transcribe jest najlepszym albo współnajlepszym modelem otwartym w każdym z rankingów, które przytacza NVIDIA. Miarą jest głównie WER (word error rate), czyli odsetek błędnie rozpoznanych słów. Im niższy, tym lepiej.
| Zestawienie | Miara | Wynik | Pozycja |
|---|---|---|---|
| Hugging Face Open ASR, angielski | WER | 5,33 proc. | 1. wśród modeli otwartych |
| Open ASR, 7 języków | WER | 4,62 proc. | najlepszy wśród otwartych (Qwen3-ASR-1.7B: 6,49 proc.) |
| Open ASR, długie nagrania | WER | 10,98 proc. | najlepszy wśród otwartych (Parakeet-TDT-0.6B-v3: 13,37 proc.) |
| Artificial Analysis AA-WER | WER | 2,8 proc. | ex aequo 1. wśród otwartych |
| David AI DAI-ASR-I18N, 21 języków | błąd przypisania mówców (DER) | 18,26 proc. | 1. z 14 systemów |
| VoiceArena Diarization-Bench | WER z dopasowaniem mówców (cpWER) | 32,4 proc. | 1. z 14 systemów |
W teście David AI drugie miejsce zajął Nemotron 3 Diarization (18,38 proc.), wyspecjalizowany model NVIDIA do rozpoznawania mówców wydany we wrześniu. Nowy model ogólnego przeznaczenia wypadł więc minimalnie lepiej od narzędzia zbudowanego tylko do tego zadania. W VoiceArena model najrzadziej gubił słowa: pominięcia stanowiły 8,32 proc. słów wzorcowych przy medianie ok. 31 proc. dla wszystkich systemów.
Jedna uwaga do tej tabeli. W karcie modelu NVIDIA zaznacza, że część danych treningowych pochodzi z licencji od David AI. Firma podkreśla też, że zestaw testowy DAI-ASR-I18N nie trafił do treningu.
Najlepsze płatne API wciąż popełniają mniej błędów
Wynik 2,8 proc. w indeksie Artificial Analysis oznacza remis z Voxtral Small od Mistrala, dotychczasowym liderem wśród modeli otwartych. Różnica tkwi w kosztach obliczeń. Voxtral Small uruchamia 24 mld parametrów na krok, Nemotron 3.5 Transcribe ok. 4 mld, czyli mniej więcej szóstą część. Na zestawie AA-AgentTalk, złożonym z rozmów z agentami głosowymi i stanowiącym połowę indeksu, Nemotron uzyskał 1,8 proc. WER wobec 2,3 proc. kolejnego modelu otwartego.
Pełny ranking Artificial Analysis pokazuje jednak, że zamknięte usługi są dalej. Grok Voice Transcribe 2.0 notuje tam 2,3 proc., Gemini 3.5 Transcribe od Google 2,6 proc., a ogłoszony 20 października Voxtral Small Transcribe 3 od Mistrala 2,1 proc. Płatne API kosztują w tym zestawieniu od ok. 1,67 do 5 dolarów za 1000 minut nagrań w przypadku najdokładniejszych modeli. Model otwarty przenosi ten koszt na własny sprzęt.
NVIDIA podaje, że na jednej karcie RTX PRO 6000 Blackwell Server Edition, w precyzji NVFP4, model przetwarza 100 godzin audio w mniej niż trzy minuty (pomiar na 30-sekundowych fragmentach przy dużej liczbie równoległych zapytań). Karta modelu dodaje, że najszybsza konfiguracja wykorzystuje optymalizacje z płatnego NVIDIA NIM. Otwarta integracja z vLLM ma być na razie mniej więcej dwukrotnie wolniejsza.
Lubię ten kierunek. Firma, która nagrywa rozmowy z klientami, wizyty lekarskie albo rozprawy, dostaje model, który może działać w całości na jej serwerach. Nagrania nie muszą nigdzie wychodzić, co przy RODO i tajemnicy zawodowej zmienia rozmowę z działem prawnym.
Mam jednak dwie wątpliwości. Pierwsza to sprzęt: referencyjna konfiguracja to karta H100 z 80 GB pamięci, czyli nie jest to model na firmowego laptopa. Druga to sposób prezentacji wyników. NVIDIA dobrała zestawienia, w których wypada najlepiej, i konsekwentnie pisze o „pierwszym miejscu wśród modeli otwartych”. To uczciwe zastrzeżenie. Tylko że czytelnik, który przeleci wzrokiem nagłówki, łatwo uzna model za najlepszy w ogóle, czego ranking Artificial Analysis nie potwierdza.
Najciekawsza dla mnie jest część o dostrajaniu. Jeśli 14 godzin pracy jednego GPU wystarcza, żeby prawie o połowę zmniejszyć liczbę błędów w terminologii medycznej, to średniej wielkości firma może zbudować własny model do transkrypcji bez zespołu badawczego. Czy rzeczywiście zbuduje, zobaczymy po pierwszych wdrożeniach.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Granary v2 udostępnia 463 tys. godzin nagrań w 48 językach
Granary v2 to publicznie dostępny opis 463 062 godzin nagrań w 48 językach z 16 źródłowych korpusów. Pierwsza wersja zbioru obejmowała 25 języków europejskich. NVIDIA zastrzega, że liczby dotyczą publikowanego zbioru, nie pełnej mieszanki danych użytej do treningu modelu.
Dla każdego nagrania Granary v2 zawiera trzy wersje zapisu: dosłowną z liczbami słownie („zapłaciłem, yyy, dwadzieścia pięć euro”), z liczbami zapisanymi cyframi i wtrąceniami („zapłaciłem, yyy, 25 €”) oraz oczyszczoną („zapłaciłem 25 €”). Dzięki temu model uczy się, że forma zapisu zależy od polecenia. Do tego dochodzą krótkie opisy dźwięku, pary pytanie-odpowiedź, tłumaczenia z automatyczną oceną jakości i listy terminów branżowych.
Sam proces przygotowania danych, zbudowany w NVIDIA NeMo Curator, też jest otwarty. Składa się z czterech etapów: dzielenia nagrań i rozpoznawania języka, transkrypcji z modelem zapasowym na wypadek halucynacji, generowania wariantów i etykiet oraz odsiewania nagrań zaszumionych lub z wieloma mówcami. Ostatni etap zmniejszył zbiór VoxPopuli z 354 tys. do 111 tys. godzin w 22 językach europejskich. Samo audio trzeba pobierać osobno, zgodnie z licencjami poszczególnych korpusów.
Dostrojenie do medycyny zmniejszyło liczbę błędów o 45,8 proc.
NVIDIA pokazała adaptację modelu na otwartym zestawie testowym Eka Care: 3619 nagrań indyjskich lekarzy i studentów medycyny. Gotowy model mylił się tam w 30,8 proc. słów. Samo doprecyzowanie polecenia (angielski, alfabet łaciński) obniżyło błąd do 23,8 proc. Po dostrojeniu spadł do 11,8 proc., czyli o ok. 62 proc. względem wyjściowego modelu.
Bardziej wiarygodny jest wynik na mówcach, których nie użyto przy wyborze ustawień. Na 2764 takich nagraniach WER spadł z 22,44 do 12,17 proc., czyli o 45,8 proc. względnie. Dostrojony model wyprzedził otwarty model wyspecjalizowany w medycynie (13,79 proc.) i popularny model ogólny (14,92 proc.). Cała adaptacja trwała ok. 14 godzin pracy jednego układu NVIDIA GB300. Do treningu użyto ok. 153 godzin mowy syntetycznej oraz 92 godzin publicznych nagrań z akcentami i nagrań medycznych.
Koszt uboczny okazał się niewielki. Na ogólnym angielskim teście LibriSpeech błąd wzrósł z 1,54 do 1,69 proc. Autorzy przyznają, że model wyspecjalizowany wciąż lepiej trafia nazwy handlowe leków. NVIDIA radzi zachować co najmniej 100 prawdziwych, ręcznie opisanych nagrań do wyboru najlepszej wersji modelu.
Polski w najwyższej grupie jakości, bez etykiet mówców
Polski znalazł się w gronie 13 języków, które NVIDIA oznacza najwyższą kategorią jakości („Leading”, czyli wynik na poziomie najlepszych systemów bez dodatkowego dostrajania). Na teście FLEURS model myli się w polskim w 3,81 proc. słów. Dla porównania: angielski 3,35 proc., niemiecki 2,73 proc., czeski 5,14 proc. Język polski model rozpoznaje poprawnie w 99,87 proc. nagrań FLEURS.
Słabiej wypada tłumaczenie. W skali BLEU (im wyżej, tym lepiej) przekład z polskiej mowy na angielski tekst daje 26,54 pkt, z angielskiego na polski 18,56 pkt. Niemiecki osiąga odpowiednio 39,96 i 33,93 pkt. Najważniejsze ograniczenie dla polskich firm dotyczy jednak spotkań: polski nie należy do 13 języków z obsługą rozpoznawania mówców. Transkrypcja polskiego zebrania będzie więc dokładna, tylko bez oficjalnie wspieranego podziału na osoby.
Projekt ma też polski akcent. Jednym z ośmiorga autorów publikacji NVIDIA jest Piotr Żelasko, naukowiec z zespołu NeMo. Żelasko obronił doktorat z automatycznego rozpoznawania mowy na AGH w Krakowie, a w rozprawie analizował m.in. dostępność danych do budowy polskich systemów rozpoznawania mowy. Wcześniej rozwijał technologie mowy w krakowskim Techmo, pracował w Centrum Przetwarzania Mowy i Języka Uniwersytetu Johnsa Hopkinsa i jest opiekunem biblioteki Lhotse, której NVIDIA użyła przy treningu Nemotron 3.5 Transcribe.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Model działa tylko na nagraniach i wymaga mocnego GPU
Nemotron 3.5 Transcribe przetwarza gotowe pliki. Nie nadaje się do napisów na żywo ani do agentów głosowych, które muszą reagować w trakcie rozmowy. Odpowiedzi na pytania o nagranie NVIDIA trenowała i testowała tylko po angielsku, więc w innych językach mogą działać niepewnie. Producent sam zaleca sprawdzanie nazwisk, zmian mówców i odpowiedzi z oryginalnym nagraniem.
Model można wypróbować w demo na Hugging Face. Do samodzielnego uruchomienia służą vLLM, SGLang-Omni i Hugging Face Transformers, a wagi są dostępne w wersjach BF16, FP8 i NVFP4. Kto nie chce utrzymywać własnych serwerów, może skorzystać z gotowych punktów dostępowych w Baseten, DeepInfra lub Simplismart. Karta modelu wymienia obsługę kart od A100 i H100 po RTX 5090 (tylko w precyzji NVFP4), DGX Spark i Jetson Thor.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnej publikacji NVIDIA na blogu Hugging Face z dnia 28.10.2026, karty modelu Nemotron 3.5 Transcribe oraz rankingu Artificial Analysis. Dane o polskim kontekście naukowym pochodzą m.in. ze strony przewodu doktorskiego Piotra Żelasko na AGH. Do weryfikacji wykorzystano także materiały The Decoder i studium przypadku NVIDIA NeMo Speech dotyczące rozpoznawania mowy medycznej.
Wyniki benchmarków pochodzą z materiałów NVIDIA oraz zestawień Hugging Face, Artificial Analysis, David AI i VoiceArena. Mogą się zmieniać wraz z aktualizacją rankingów.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o modelu Nemotron 3.5 Transcribe i jego obsłudze języka polskiego.
