Miraki Mind

Nemotron 3.5 Transcribe : transcrire sans que rien ne sorte

NVIDIA lance un modèle vocal ouvert qui transcrit, traduit et distingue les voix, aussi en allemand, français et italien. Et le suisse allemand ?

Miraki MindRédaction assistée par IA · 31 octobre 2026 · 7 min de lecture

Le 28 octobre 2026, NVIDIA a publié « Nemotron 3.5 Transcribe », un modèle vocal à poids ouverts. Il transcrit des enregistrements jusqu’à une heure, traduit, identifie la langue et indique qui parle quand, avec un horodatage pour chaque mot. Selon NVIDIA, il couvre 40 langues.

Cela compte pour nous, parce que nous travaillons en plusieurs langues. Rapido existe en allemand et en suédois, 21 ZUAN en anglais et en chinois, et notre site tourne en quatre langues, Miraki Mind compris. Là où des personnes parlent, en interview, en voix off ou en dialogue, il y a souvent une transcription au départ, et à la fin il faut des sous-titres ou une version dans une autre langue.

Des images d’interview, c’est délicat. Ce sont de vraies personnes d’une entreprise qui parlent, parfois de choses qui ne sont pas encore publiques. Un modèle qui transcrit et traduit ce genre d’enregistrement sur son propre matériel touche donc exactement la question de savoir où finit le matériel d’une marque pendant que nous travaillons avec. Nous n’avons pas encore testé Nemotron 3.5 Transcribe.

Ce qui est vraiment nouveau

La reconnaissance vocale à poids ouverts, ça existe depuis un moment. Ce qui est nouveau, c’est tout ce que réunit un seul modèle, et le fait qu’on le pilote par une instruction plutôt que par un nouvel entraînement.

Le style sur demande : mot pour mot, en texte lisible, avec attribution des voix ou avec des informations supplémentaires. Vous fixez le style à chaque requête, en une phrase.
Donner les noms : vous pouvez joindre une liste de termes attendus, par exemple des noms de personnes ou de produits. Sur le benchmark ContextASR-Bench, le taux d’erreur sur ces noms passe ainsi, selon NVIDIA, de 12,21 à 2,20 %, soit un peu plus de cinq fois moins.
Qui parle quand : un modèle de diarisation intégré fournit des étiquettes de locuteurs et un horodatage pour chaque mot. Les étiquettes distinguent les voix dans un enregistrement ; elles ne disent pas qui est la personne.
Langues : la fiche du modèle place l’allemand, le français et l’italien au niveau le plus élevé, « Leading », avec transcription, traduction depuis et vers l’anglais, plusieurs locuteurs et changements de langue en pleine conversation.

Franchement, les petites lignes comptent : la traduction se fait entre l’anglais et chaque langue. La fiche du modèle ne mentionne pas l’allemand directement vers le français. Et le suisse allemand n’apparaît nulle part, ni comme langue ni comme variante.

L’interview devient une transcription, calculée sur votre propre matériel

Ce que cela change pour une production

Pour une interview, la transcription est l’étape avant le montage : repérer les bonnes phrases, construire l’histoire avec, et à la fin il faut des sous-titres. Une transcription avec locuteurs et horodatage par mot en est la matière première. La fiche du modèle ne mentionne toutefois aucun format de sous-titres prêt à l’emploi comme le SRT. Passer de la transcription au fichier de sous-titres reste une étape à part.

Pour quatre langues, cela signifie : selon la fiche du modèle, une interview en allemand peut être transcrite et traduite en anglais. Pour le français et l’italien, il faut passer par l’anglais ou par un autre outil. Et une traduction automatique ne remplace pas une relecture par quelqu’un qui parle vraiment la langue.

Sans une machine sérieuse, rien ne tourne. Le modèle compte 34 milliards de paramètres, dont environ 4,3 milliards actifs. NVIDIA cite comme référence une H100 de 80 Go. La liste du matériel comprend aussi la RTX 5090, mais uniquement dans la variante compressée NVFP4. Il fonctionne sous Linux, et sous Windows via WSL2. Aucun Mac ne figure dans la liste. Il existe une version GGUF pour NeMo-Speech.cpp, l’environnement local de NVIDIA ; sa documentation mentionne Metal, l’interface graphique d’Apple, sans dire comment ce modèle s’y comporte.

Encore un point : le modèle travaille hors ligne sur des enregistrements terminés. Transcrire en direct pendant le tournage, ce n’est pas son rôle.

Ce que cela change pour une marque

En local, l’enregistrement reste sur votre propre machine. Pour des interviews de collaborateurs, des détails de produit confidentiels ou des témoignages de clients avant un lancement, c’est une vraie différence avec un service cloud où le fichier est d’abord téléversé.

La licence s’appelle OpenMDW-1.1. Selon son texte, vous pouvez utiliser le modèle à des fins commerciales, le modifier et le transmettre, et les résultats ne sont soumis à aucune condition. Qui redistribue les fichiers du modèle doit y joindre la licence et les mentions. Dans la fiche du modèle, NVIDIA indique que le modèle est prêt pour un usage commercial et non commercial. Ce que cela implique pour un mandat précis, c’est en cas de doute à une juriste de le dire, pas à cet article.

Et le modèle peut se tromper. La fiche cite des passages inventés, une langue mal identifiée et des voix mal attribuées. Elle prévient aussi que le modèle peut restituer un enregistrement de façon erronée tout en livrant une transcription plausible. Quand une phrase apparaît dans un film sous le nom d’une CEO, ce n’est pas un détail.

Une transcription qui sonne juste n’est pas encore une transcription exacte.

Notre avis et les limites

Nemotron 3.5 Transcribe est un candidat sérieux quand les interviews et les images de tournage ne doivent pas quitter la maison : sous licence ouverte, avec l’allemand, le français et l’italien au niveau le plus élevé, locuteurs et horodatage compris. Les meilleurs scores sur les classements Open ASR (4,71 % de taux d’erreur sur les mots en anglais, 4,62 % en multilingue) sont les propres chiffres de NVIDIA au lancement.

Plusieurs questions restent ouvertes. Le modèle comprend-il le suisse allemand, que la fiche ne mentionne pas ? La fiche elle-même relève que les données d’entraînement ne couvrent pas de façon démontrée les dialectes et les accents de manière équilibrée. NVIDIA écrit toutefois que le modèle peut être adapté à de nouvelles langues et tâches sur un seul GPU. Et comment s’en sort-il en suisse allemand face à Whisper d’OpenAI ou à Grok Speech to Text de xAI ? Whisper, nous l’avons déjà testé, et il nous a enthousiasmés. Et combien de travail manuel reste-t-il entre la transcription et le sous-titre final ? C’est ce que nous voulons voir sur de vraies images avant d’en dire plus.

Ce qui est vraiment nouveau

Ce que cela change pour une production

Ce que cela change pour une marque

Notre avis et les limites

Sources