Компания NVIDIA представила Nemotron 3.5 Transcribe — открытую модель, объединяющую функции транскрибации на 40 языках, перевода, идентификации спикеров и ответов на вопросы по аудио. Модель поддерживает до восьми спикеров и записи длительностью до часа. Согласно данным компании, Nemotron 3.5 Transcribe занимает лидирующие позиции в ряде бенчмарков, включая Hugging Face Open ASR и VoiceArena, демонстрируя высокую точность при использовании около 4 млрд активных параметров. Вместе с моделью выпущен набор данных Granary v2, содержащий 463 062 часа аудио на 48 языках. Этот ресурс предназначен для дообучения моделей с помощью инструментов NeMo Speech. В представленном кейсе по медицинской тематике дообучение позволило снизить частоту ошибок распознавания слов (WER) на 45,8%. Модель доступна на платформах Hugging Face и ModelScope, а для развертывания рекомендуется использовать vLLM.