Miraki Mind

Nemotron 3.5 Transcribe: Interviews abschreiben, die im Haus bleiben

NVIDIA haut ein offenes Sprachmodell raus, das transkribiert, übersetzt und Sprecher trennt, auch auf Deutsch, Französisch und Italienisch. Und Schweizerdeutsch?

Miraki MindKI-gestützte Redaktion · 31. Oktober 2026 · 6 Min. Lesezeit

Am 28. Oktober 2026 hat NVIDIA «Nemotron 3.5 Transcribe» veröffentlicht, ein Sprachmodell mit offenen Gewichten. Es schreibt Aufnahmen bis zu einer Stunde ab, übersetzt, erkennt die Sprache und sagt, wer wann spricht, mit Zeitstempeln pro Wort. Laut NVIDIA deckt es 40 Sprachen ab.

Für uns zählt das, weil wir in mehreren Sprachen arbeiten. Rapido gibt es auf Deutsch und Schwedisch, 21 ZUAN auf Englisch und Chinesisch, und unsere Website läuft in vier Sprachen, Miraki Mind inklusive. Wo Menschen sprechen, in Interviews, Voice-overs oder Dialogen, steht am Anfang oft ein Transkript, und am Ende braucht es Untertitel oder eine Fassung in einer anderen Sprache.

Interviewmaterial ist heikel. Da reden echte Menschen aus einer Firma, manchmal über Dinge, die noch nicht öffentlich sind. Ein Modell, das solche Aufnahmen auf eigener Hardware abschreibt und übersetzt, trifft also genau die Frage, wo das Material einer Marke landet, während wir damit arbeiten. Getestet haben wir Nemotron 3.5 Transcribe noch nicht.

Was wirklich neu ist

Spracherkennung mit offenen Gewichten gibts schon länger. Neu ist, wie viel davon in einem einzigen Modell steckt und dass du es mit einer Anweisung steuerst statt mit neuem Training.

Stil auf Ansage: wortgetreu, als lesbarer Text, mit Sprecherzuordnung oder mit Zusatzinfos. Den Stil gibst du pro Anfrage in einem Satz vor.
Namen vorgeben: Du kannst eine Liste erwarteter Begriffe mitschicken, etwa Personen- oder Produktnamen. Auf dem Benchmark ContextASR-Bench sinkt die Fehlerquote bei solchen Namen damit laut NVIDIA von 12,21 auf 2,20 Prozent, also gut fünfmal weniger.
Wer spricht wann: Ein eingebautes Diarisierungsmodell liefert Sprecherlabels und Zeitstempel pro Wort. Die Labels unterscheiden Stimmen in einer Aufnahme; wer die Person ist, sagen sie nicht.
Sprachen: Deutsch, Französisch und Italienisch stehen in der Modellkarte in der obersten Stufe «Leading», mit Transkription, Übersetzung von und nach Englisch, mehreren Sprechern und Sprachwechseln mitten im Gespräch.

Wichtig ist das Kleingedruckte: Übersetzt wird zwischen Englisch und der jeweiligen Sprache. Deutsch direkt nach Französisch nennt die Modellkarte nicht. Und Schweizerdeutsch taucht nirgends auf, weder als Sprache noch als Variante.

Aus dem Interview wird ein Transkript, gerechnet auf der eigenen Hardware

Was das für eine Produktion heisst

Bei einem Interview ist das Abschreiben der Schritt vor dem Schnitt: die guten Sätze finden, daraus die Geschichte bauen, und am Schluss braucht es Untertitel. Ein Transkript mit Sprechern und Wort-Zeitstempeln ist dafür die Rohmasse. Ein fertiges Untertitelformat wie SRT nennt die Modellkarte allerdings nicht. Vom Transkript zur Untertiteldatei bleibt ein eigener Schritt.

Für vier Sprachen heisst das: Ein deutsches Interview lässt sich laut Modellkarte transkribieren und ins Englische übersetzen. Für Französisch und Italienisch geht es über Englisch oder über ein anderes Werkzeug. Und eine Maschinenübersetzung ersetzt kein Gegenlesen durch jemanden, der die Sprache wirklich spricht.

Ohne ordentlichen Rechner läuft das nicht. Das Modell hat 34 Milliarden Parameter, davon rund 4,3 Milliarden aktiv. Als Referenz nennt NVIDIA eine H100 mit 80 GB. In der Hardwareliste steht auch die RTX 5090, dort nur in der komprimierten Variante NVFP4. Betrieben wird es unter Linux, unter Windows über WSL2. Ein Mac steht nicht in der Liste. Für NVIDIAs lokale Laufzeit NeMo-Speech.cpp gibt es eine GGUF-Fassung; deren Anleitung erwähnt Metal, die Grafikschnittstelle von Apple, sagt aber nicht, wie gut dieses Modell darauf läuft.

Noch ein Punkt: Das Modell arbeitet offline mit fertigen Aufnahmen. Live mitschreiben während des Drehs ist nicht sein Job.

Was das für eine Marke heisst

Lokal heisst: Die Aufnahme bleibt auf der eigenen Kiste. Bei Interviews mit Mitarbeitenden, vertraulichen Produktdetails oder Kundenstimmen vor dem Launch ist das ein echter Unterschied zu einem Cloud-Dienst, bei dem die Datei zuerst hochgeladen wird.

Die Lizenz heisst OpenMDW-1.1. Laut Lizenztext darfst du das Modell auch kommerziell nutzen, verändern und weitergeben, und für die Ergebnisse gibt es keine Auflagen. Wer die Modelldateien weitergibt, muss Lizenz und Hinweise mitliefern. NVIDIA schreibt in der Modellkarte, das Modell sei für kommerzielle und nichtkommerzielle Nutzung bereit. Was das für einen konkreten Auftrag heisst, klärt im Zweifel eine Juristin, nicht dieser Beitrag.

Und das Modell kann sich irren. Die Modellkarte nennt erfundene Passagen, falsch erkannte Sprache und falsch zugeordnete Sprecher. Sie warnt auch, das Modell könne eine Aufnahme falsch wiedergeben und trotzdem ein plausibles Transkript liefern. Steht ein Satz im Film unter dem Namen einer CEO, ist das kein Detail.

Ein Transkript, das plausibel klingt, ist noch kein Transkript, das stimmt.

Unsere Einschätzung und die Grenzen

Nemotron 3.5 Transcribe ist ein ernstzunehmender Kandidat, wenn Interviews und Drehmaterial das Haus nicht verlassen sollen: offen lizenziert, Deutsch, Französisch und Italienisch in der obersten Stufe, Sprecher und Zeitstempel inklusive. Die Spitzenwerte auf den Open-ASR-Ranglisten (4,71 Prozent Wortfehler auf Englisch, 4,62 Prozent mehrsprachig) sind NVIDIAs eigene Angaben zum Start.

Offen bleibt einiges. Wie gut versteht das Modell Schweizerdeutsch, das in der Modellkarte nicht vorkommt? Die Modellkarte hält selbst fest, dass die Trainingsdaten Dialekte und Akzente nicht nachweislich gleichmässig abdecken. NVIDIA schreibt allerdings, das Modell lasse sich auf einer einzigen GPU an neue Sprachen und Aufgaben anpassen. Und wie schlägt es sich im Schweizerdeutschen gegen Whisper von OpenAI oder gegen Grok Speech to Text von xAI? Whisper haben wir schon geprüft, und es hat uns begeistert. Und wie viel Handarbeit bleibt zwischen Transkript und fertigem Untertitel? Das wollen wir an echtem Material sehen, bevor wir mehr dazu sagen.

Was wirklich neu ist

Was das für eine Produktion heisst

Was das für eine Marke heisst

Unsere Einschätzung und die Grenzen

Quellen