Nvidia Nemotron 3.5 Transcribe: darmowa transkrypcja w 40 językach

• Nvidia wypuściła w środę 28 października 2026 Nemotron 3.5 Transcribe: darmowy model z otwartymi wagami, który zamienia mowę na tekst w maksymalnie 40 językach.
• Według Nvidii rozpoznaje do ośmiu rozmówców i obsługuje nagrania do godziny. Tłumaczy też 31 języków na angielski i z angielskiego.
• Ograniczenie: działa na nagraniach, nie na transmisji na żywo.
• Model jest dla programistów budujących aplikacje do transkrypcji spotkań i rozmów medycznych. Razem z nim wyszła druga wersja otwartego zbioru nagrań Granary.

Nvidia ogłosiła Nemotron 3.5 Transcribe, darmowy model rozpoznawania mowy dla firm i twórców aplikacji. Liczby o możliwościach (40 języków, godzina nagrania, osiem głosów) to deklaracje producenta. Nvidia twierdzi też, że model wygrywa z konkurencją w testach, między innymi w rankingu Open ASR Leaderboard prowadzonym przez Hugging Face. Zanim w to uwierzysz, zajrzyj do tego rankingu sam.

Co model potrafi i gdzie jest haczyk

Nemotron 3.5 Transcribe to model z otwartymi wagami (open-weight). Mówiąc prościej: każdy może go pobrać i uruchomić u siebie, a nie tylko wynajmować dostęp przez cudzy serwer. Nvidia podaje, że jest darmowy.

Z ogłoszenia wynika, że model:

• transkrybuje nagrania w maksymalnie 40 językach,
• tłumaczy 31 języków na angielski i z angielskiego,
• obsługuje nagrania do godziny,
• rozróżnia do ośmiu rozmówców.

Haczyk jest jeden i dość duży: model pracuje na nagraniach, nie na transmisji na żywo. Dostaje gotowy plik i oddaje tekst. To stenograf, który dostaje taśmę po spotkaniu, a nie miejsce przy stole. Do notatek z wczorajszego zoomu w sam raz. Do napisów na żywo nie.

Nvidia nie podała w ogłoszeniu pełnej listy 40 języków. Czy jest wśród nich polski, a także jakie są dokładne warunki licencji, sprawdź na stronie modelu Nemotron 3.5 Transcribe na Hugging Face.

Dla kogo to jest, jeśli nie programujesz

Nvidia kieruje model do programistów, którzy budują aplikacje do spotkań biznesowych i transkrypcji medycznych. TechCrunch nazywa te dwa obszary jednymi z najlepiej ugruntowanych zastosowań AI w pracy. Ty prawdopodobnie nie pobierzesz modelu ani nie uruchomisz go na własnym sprzęcie, i nic w tym złego. Skorzystasz pośrednio, jeśli narzędzia, których używasz, zbudują się na takich modelach (to moja prognoza, nie zapowiedź Nvidii).

Dla developerów ważna jest możliwość dopasowania. Nvidia mówi, że z modelem, ulepszonym zbiorem Granary i narzędziami typu NeMo Speech da się nauczyć aplikację żargonu konkretnej branży w każdym języku. Lekarz mówi inaczej niż księgowa, a transkrypcja, która gubi nazwy leków albo skróty, jest do niczego. Więcej o wyborze narzędzia do notatek ze spotkań znajdziesz w tekście Transkrypcja AI: jak wybrać narzędzie do notatek ze spotkań.

Mały sprzęt, duży model

Model ma 30 miliardów parametrów (w uproszczeniu: rozmiar jego "mózgu"), a Nvidia obiecuje, że zmieści się na jednym układzie. Wymienia Jetson AGX Thor, czyli kontroler do robotyki, oraz DGX Spark, który napędza nowe laptopy, aż po układy Blackwell w centrach danych. W rodzinie Nvidii jest też mały i, jak pisze TechCrunch, mocny Parakeet z 1,1 miliarda parametrów.

Głos jest teraz modny, a nagrania to tylko jedna połowa rynku

Nvidia wchodzi w gorący okres dla głosu. Mistral wypuścił wcześniej w tym miesiącu Voxtral 3, ElevenLabs uruchomił Realtime do natychmiastowej mowy w agentach głosowych, a Salesforce pokazał swój model głosowy Launa-Omni. Praca na żywo zostaje więc po stronie rywali, takich jak ElevenLabs. Jeśli interesuje Cię głos w biznesie, zobacz, jak Billennium i ElevenLabs pokazują, że Voice AI to nie tylko bot. Tłumaczenie mowy w czasie rzeczywistym opisaliśmy przy okazji Gemini 3.5 Live Translate od Google. Rozpoznawanie mowy dopasowane do jednego regionu widać w modelu Prisma v2.5 od Gnani.ai.

Mój werdykt: dla nagrań to dobra wiadomość, bo darmowy model z wagami do pobrania obniża próg dla każdego, kto buduje narzędzia do notatek. Mowy na żywo ta premiera nie dotyka. Gdy ktoś powie Ci, że transkrypcja jest "już rozwiązana", dopytaj, czy chodzi o nagranie, czy o rozmowę trwającą teraz.

Weź dziś nagranie ostatniego spotkania (do godziny, bo taki limit podaje Nvidia dla Nemotrona) i przepuść je przez narzędzie, którego już używasz. Sprawdź dwie rzeczy: czy poprawnie rozdziela rozmówców i czy nie kaleczy słów z Twojej branży. Wynik zapisz w trzech zdaniach, a będziesz wiedzieć, czy kolejna fala nowych modeli w ogóle jest Ci potrzebna. Więcej o pracy z dźwiękiem znajdziesz w poradniku Jak nagrywać podcasty z AI.