انویدیا روز ۶ آبان ۱۴۰۵ (۲۸ اکتبر ۲۰۲۶) مدلِ متن‌بازِ تبدیل گفتار به نوشتار Nemotron 3.5 Transcribe را منتشر کرد. طبق صفحه‌ی مدل در Hugging Face این مدل ۴۰ زبان را پیاده می‌کند، فایل‌های تا یک ساعت را می‌پذیرد و گویندگانِ مختلف را از هم جدا می‌کند. TechCrunch هم آن را نشانه‌ی داغ‌شدنِ بازارِ هوش مصنوعیِ صوتی می‌داند.
Nemotron 3.5 Transcribe چیست؟
مدلی با وزن‌های باز که فقط روی صدای ضبط‌شده کار می‌کند، نه پخش زنده. معماری‌اش ترکیبی است: یک مدل زبانیِ Mamba-2 و ترنسفورمر با «مخلوطِ متخصصان» که به یک رمزگذارِ صوتی (حدود ۸۰۰ میلیون پارامتر) وصل شده است. روی کارت مدل حدود ۳۴ میلیارد پارامتر کل و ۴٫۳ میلیارد پارامترِ فعال ثبت شده؛ برای همین در اسم ۳۰B-A4B آمده. وزن‌ها به شکل BF16 و نسخه‌های فشرده‌ی FP8 و NVFP4 هست.
نمونه‌ی خودت را می‌توانی با تبدیل صوت به متن در هوش نو در هوش نو بسازی؛ هزینه را پیش از ساخت می‌بینی.
چه کارهایی می‌کند؟
- رونویسی ۴۰ زبان و ترجمه‌ی گفتار به/از انگلیسی برای ۳۱ زبان (به نوشته‌ی TechCrunch).
- جداسازیِ تا هشت گوینده، زمان‌بندیِ کلمه‌ها و تشخیصِ زبان.
- پرسش‌وپاسخ درباره‌ی محتوای صدا؛ البته این بخش فقط روی انگلیسی سنجیده شده.
- پنجره‌ی ۶۵٬۵۳۶ توکن برای ضبط‌های بلند.
عددها
طبق کارت مدل، میانگین خطای واژه (WER) روی لیدربوردِ انگلیسیِ Open ASR حدود ۴٫۷۱ درصد است، در برابر ۴٫۹۴ درصدِ Qwen3-ASR-1.7B. در آزمونِ بلند ۱۰٫۹۸ درصد، در برابر ۱۳٫۳۷ درصدِ Parakeet-TDT-0.6B-v3. در هفت زبانِ آزمونِ چندزبانه ۴٫۶۲ درصد در برابر ۶٫۴۹ درصدِ Qwen. این اعداد را خودِ انویدیا گزارش کرده؛ پیش از استفاده روی داده‌ی خودتان امتحان کنید.
مجوز و اجرا
مجوز OpenMDW-1.1 است که طبق کارت برای کاربردِ تجاری و غیرتجاری مجاز است. کارتِ مرجع یک GPU مدلِ H100 با ۸۰ گیگابایت را پیشنهاد می‌کند؛ TechCrunch می‌گوید روی یک تراشه، از Jetson AGX Thor و DGX Spark تا تراشه‌های Blackwell مرکز داده، اجرا می‌شود. اجرای پیشنهادی با vLLM و کتابخانه‌ی NeMo Speech است و تنظیم دقیق برای واژگان تخصصی هم ممکن است. همراهش نسخه‌ی ۲ مجموعه‌داده‌ی Granary هم آمده.
این یعنی چه برای کاربر فارسی‌زبان؟
بهترین نکته: مدلی باز و قابل‌اجرا روی سخت‌افزار خودتان که رونویسی را از اینترنت و سرویس‌های ابری مستقل می‌کند. ولی دو هشدار دارد. اول اینکه فارسی در فهرست زبان‌های «رده‌ی اول» که انویدیا تضمین کرده نیست و کیفیتش را باید خودتان بسنجید؛ در منبع‌ها آمار فارسی نیامده. دوم اینکه برای اجرا به GPU قدرتمند نیاز دارید و یک لپ‌تاپ معمولی کافی نیست.
اگر فقط می‌خواهید صدا را به متن یا برعکس تبدیل کنید، لازم نیست خودتان مدل نصب کنید. بازار صدا این روزها شلوغ است؛ درباره‌ی Voxtral 3 میسترال و مدل صوتیِ Dessa از Block هم نوشته‌ایم. در ابزارهای هوش‌نو می‌توانید گویندگیِ فارسی بسازید و برای کارهای متنی با مدل‌های هوش مصنوعی گفتگو کنید.
چرا صدا موضوعِ داغ شده؟
TechCrunch در همین گزارش از انتشارهای تازه‌ی Mistral، ElevenLabs و Salesforce هم نام می‌برد. دلیلش روشن است: رونویسی و دستیار صوتی از کارهای پرمصرفِ شرکت‌ها هستند و مدل باز یعنی هزینه‌ی کمتر و کنترل بیشتر روی داده. نسخه‌ی قبلیِ انویدیا، Parakeet، فقط ۱٫۱ میلیارد پارامتر داشت؛ جهش به مدل چندوظیفه‌ای بزرگ‌تر نشان می‌دهد رونویسی دیگر یک ابزار ساده نیست.
چه کسانی از آن سود می‌برند؟
سه گروه: شرکت‌هایی که جلسه و تماس ضبط می‌کنند و می‌خواهند متن و گوینده‌ها را بدون ارسال صدا به سرویسِ بیرونی داشته باشند؛ پژوهشگرانی که مصاحبه‌های بلند را رونویسی می‌کنند؛ و توسعه‌دهندگانی که می‌خواهند مدل را با واژگان تخصصیِ حوزه‌ی خودشان تنظیم کنند، مثلاً اصطلاحات پزشکی یا حقوقی. برای هر سه، باز بودنِ وزن‌ها یعنی می‌شود مدل را کنار داده‌های خصوصی نگه داشت.
محدودیت‌ها
این مدل پخش زنده را پشتیبانی نمی‌کند و برای تماس زنده یا زیرنویس همزمان مناسب نیست. بخشِ پرسش‌وپاسخ صوتی فقط انگلیسی سنجیده شده و ۴۰ زبان در سه رده‌ی کیفیت قرار دارند. برای زبان‌هایی که در رده‌ی پایین‌ترند، اشتباه بیشتر است.
سؤالات متداول
آیا Nemotron 3.5 Transcribe رایگان است؟
وزن‌ها آزاد و با مجوز OpenMDW-1.1 قابل استفاده‌اند؛ هزینه‌ی سخت‌افزار و اجرا با شماست.
فارسی را هم می‌فهمد؟
در منبع‌هایی که دیدیم عددی برای فارسی نیست؛ باید با فایل‌های خودتان آزمایش کنید.
برای پخش زنده مناسب است؟
خیر؛ فقط فایل ضبط‌شده تا یک ساعت.
