Miraki Mind

Nemotron 3.5 Transcribe: trascrivere le interviste senza che escano di casa

NVIDIA tira fuori un modello vocale aperto che trascrive, traduce e distingue chi parla, anche in tedesco, francese e italiano. Cosa significa per interviste e sottotitoli, e a che punto è lo svizzero tedesco.

Miraki MindRedazione assistita dall’IA · 31 ottobre 2026 · 6 min di lettura

Il 28 ottobre 2026 NVIDIA ha pubblicato «Nemotron 3.5 Transcribe», un modello vocale a pesi aperti. Trascrive registrazioni fino a un’ora, traduce, riconosce la lingua e dice chi parla quando, con un timestamp per ogni parola. Secondo NVIDIA copre 40 lingue.

Per noi conta perché lavoriamo in più lingue. Rapido esiste in tedesco e in svedese, 21 ZUAN in inglese e in cinese, e il nostro sito gira in quattro lingue, Miraki Mind compreso. Dove parlano delle persone, in interviste, voice-over o dialoghi, all’inizio c’è spesso una trascrizione, e alla fine servono sottotitoli o una versione in un’altra lingua.

Il materiale delle interviste è delicato. Parlano persone vere di un’azienda, a volte di cose che non sono ancora pubbliche. Un modello che trascrive e traduce questo tipo di registrazioni sul tuo hardware tocca quindi proprio la domanda su dove finisce il materiale di un marchio mentre ci lavoriamo. Nemotron 3.5 Transcribe non l’abbiamo ancora testato.

Cosa c’è davvero di nuovo

Il riconoscimento vocale a pesi aperti esiste già da un po’. La novità è quanto ci sta in un solo modello, e che lo guidi con un’istruzione invece che con un nuovo addestramento.

Stile su richiesta: parola per parola, come testo leggibile, con attribuzione dei parlanti o con informazioni aggiuntive. Lo stile lo indichi a ogni richiesta, in una frase.
Dare i nomi: puoi allegare una lista di termini attesi, per esempio nomi di persone o di prodotti. Sul benchmark ContextASR-Bench, secondo NVIDIA, il tasso di errore su quei nomi scende così da 12,21 a 2,20 per cento, cioè poco più di cinque volte in meno.
Chi parla quando: un modello di diarizzazione integrato fornisce etichette dei parlanti e timestamp per ogni parola. Le etichette distinguono le voci in una registrazione; chi sia la persona non lo dicono.
Lingue: la scheda del modello mette tedesco, francese e italiano nel livello più alto, «Leading», con trascrizione, traduzione da e verso l’inglese, più parlanti e cambi di lingua nel mezzo della conversazione.

Onestamente, conta anche il testo in piccolo: si traduce tra l’inglese e ciascuna lingua. Il tedesco direttamente verso il francese la scheda non lo indica. E lo svizzero tedesco non compare da nessuna parte, né come lingua né come variante.

L’intervista diventa una trascrizione, elaborata sul tuo hardware

Cosa significa per una produzione

In un’intervista la trascrizione è il passo prima del montaggio: trovare le frasi buone, costruirci la storia, e alla fine servono i sottotitoli. Una trascrizione con parlanti e timestamp per parola ne è la materia prima. Un formato di sottotitoli pronto come l’SRT, però, la scheda del modello non lo nomina. Dalla trascrizione al file dei sottotitoli resta un passaggio a parte.

Per quattro lingue vuol dire: secondo la scheda del modello, un’intervista in tedesco si può trascrivere e tradurre in inglese. Per francese e italiano si passa dall’inglese o da un altro strumento. E una traduzione automatica non sostituisce la rilettura di chi parla davvero la lingua.

Senza una macchina seria non gira. Il modello ha 34 miliardi di parametri, di cui circa 4,3 miliardi attivi. Come riferimento NVIDIA indica una H100 da 80 GB. Nella lista dell’hardware c’è anche la RTX 5090, ma solo nella variante compressa NVFP4. Gira su Linux, e su Windows tramite WSL2. Un Mac nella lista non c’è. Esiste una versione GGUF per NeMo-Speech.cpp, l’ambiente locale di NVIDIA; la sua documentazione cita Metal, l’interfaccia grafica di Apple, ma non dice quanto bene ci giri questo modello.

Ancora una cosa: il modello lavora offline su registrazioni finite. Trascrivere in diretta durante le riprese non è il suo mestiere.

Cosa significa per un marchio

In locale vuol dire che la registrazione resta sulla tua macchina. Per interviste con collaboratori, dettagli riservati di un prodotto o testimonianze di clienti prima di un lancio, è una differenza vera rispetto a un servizio cloud dove il file va prima caricato.

La licenza si chiama OpenMDW-1.1. Secondo il testo, puoi usare il modello anche a fini commerciali, modificarlo e distribuirlo, e sui risultati non ci sono vincoli. Chi ridistribuisce i file del modello deve includere la licenza e le note. Nella scheda del modello NVIDIA scrive che il modello è pronto per un uso commerciale e non commerciale. Cosa significhi per un incarico concreto, nel dubbio lo chiarisce una giurista, non questo articolo.

E il modello può sbagliare. La scheda cita passaggi inventati, lingua riconosciuta male e parlanti attribuiti male. Avverte anche che il modello può rendere una registrazione in modo sbagliato e consegnare comunque una trascrizione plausibile. Se in un film una frase compare sotto il nome di una CEO, non è un dettaglio.

Una trascrizione che suona plausibile non è ancora una trascrizione giusta.

La nostra opinione e i limiti

Nemotron 3.5 Transcribe è un candidato serio quando interviste e girato non devono uscire di casa: licenza aperta, tedesco, francese e italiano nel livello più alto, parlanti e timestamp compresi. I risultati migliori nelle classifiche Open ASR (4,71 per cento di errori sulle parole in inglese, 4,62 per cento multilingue) sono dati di NVIDIA stessa al lancio.

Restano domande aperte. Quanto capisce il modello lo svizzero tedesco, che nella scheda non compare? La scheda stessa nota che non è dimostrato che i dati di addestramento coprano dialetti e accenti in modo equilibrato. NVIDIA scrive però che il modello si può adattare a nuove lingue e compiti su una sola GPU. E come se la cava in svizzero tedesco rispetto a Whisper di OpenAI o a Grok Speech to Text di xAI? Whisper l’abbiamo già provato, e ci ha entusiasmati. E quanto lavoro manuale resta tra trascrizione e sottotitolo finito? È quello che vogliamo vedere su materiale vero prima di dire di più.

Cosa c’è davvero di nuovo

Cosa significa per una produzione

Cosa significa per un marchio

La nostra opinione e i limiti

Fonti