Nemotron 3.5 Transcribe je open-weight model NVIDIA pro hotové nahrávky: přepíše řeč ve 40 jazycích, rozliší až 8 mluvčích a odpoví na otázky k obsahu audia. Česky umí přepis. Rozlišení mluvčích pro češtinu oficiálně nepodporuje, takže před nasazením je nutný vlastní test.
Co je Nemotron 3.5 Transcribe a co umí?
Je to otevřený model NVIDIA z 28. října 2026, který v jednom checkpointu spojuje přepis, překlad, rozlišení mluvčích a dotazování nad nahrávkou.
NVIDIA ve svém oznámení na Hugging Face uvádí přepis ve 40 jazycích, překlad mezi 31 jazyky a angličtinou a volitelné časové značky slov. Model v jedné nahrávce rozliší až osm mluvčích a zpracuje záznam dlouhý až hodinu. Funkce dotazování nad audiem, tedy otázky typu „na čem se účastníci dohodli“, je podle zveřejněných informací trénovaná v angličtině.
Váhy jsou ke stažení v kolekci na Hugging Face ve variantách BF16, FP8 a NVFP4. Kdo nechce provozovat vlastní GPU, může model volat přes API u DeepInfra. Pro úpravy na vlastní doménu NVIDIA odkazuje na framework NVIDIA NeMo, jak shrnuje The New Stack.
Jak je postavený: MoE, enkodéry a diarizace
Model kombinuje zvukové enkodéry s jazykovým modelem typu Mixture-of-Experts (MoE). Z celkových přibližně 30 miliard parametrů je při jednom kroku aktivních zhruba 4 až 4,3 miliardy, uvádí kolekce modelu.
Zvukovou část podle technického popisu NVIDIA tvoří tři prvky:
- Transformer ASR enkodér s přibližně 600 miliony parametrů, který převádí zvuk na reprezentaci řeči,
- enkodér mluvčích Nemotron-3 Diarization s přibližně 99 miliony parametrů, který rozlišuje hlasy,
- CTC hlava, která generuje časové značky jednotlivých slov.
Jazykovou část obstarává Nemotron-3.5 Lightning 30B-A3B, hybrid vrstev Mamba-2 a Transformer s MoE. Díky tomu model nejen přepisuje, ale chápe i instrukce v promptu: dá se mu říct, jaký výstup chcete, nebo se ho zeptat na obsah nahrávky.
Hlavní změna je v tom, že model slučuje kroky, které se běžně skládají z více nástrojů. Klasická pipeline řetězí detekci řeči (VAD), přepis, diarizaci mluvčích a zarovnání časů. Každý přechod mezi nástroji přidává chyby a práci s integrací.
flowchart LR
A["Nahrávka"] --> B["VAD a segmentace"]
B --> C["ASR, např. Whisper"]
C --> D["Diarizace, např. pyannote"]
D --> E["Zarovnání časů"]
E --> F["Přepis s mluvčími"]
A --> G["Nemotron 3.5 Transcribe"]
G --> FV čem se liší od Whisperu a dalších řešení
Whisper a podobné nástroje řeší hlavně přepis, Nemotron 3.5 Transcribe přidává v jednom modelu diarizaci, překlad, promptování a dotazy nad audiem.
| Řešení | Co hlavně dělá | Rozdíl proti Nemotron 3.5 Transcribe |
|---|---|---|
| OpenAI Whisper | Vícejazyčný přepis a detekce jazyka | Mluvčí obvykle řeší samostatný nástroj |
| pyannote.audio | Diarizace a detekce řeči | Nejde o ASR model, používá se ve dvojici s Whisperem |
| NVIDIA Parakeet-TDT | Rychlý přepis, hlavně angličtina | Menší, míří na throughput, bez diarizace a překladu |
| Sortformer, Nemotron-3 Diarization | Jen rozpoznání mluvčích | Nemotron 3.5 je integruje s přepisem |
| Cloudové služby (Google, Azure, AWS) | Přepis a diarizace přes API | Jednodušší provoz, ale audio odchází do cloudu |
Srovnání vychází z oznámení NVIDIA a z textu SiliconANGLE k vydání.
Přímé srovnání s Whisperem na českých nahrávkách zatím nikdo nezveřejnil, takže pořadí v žebříčcích pro češtinu nic neříká.
Pro praxi z toho plyne jednoduché pravidlo. Pokud potřebujete jen text a máte odladěnou pipeline s Whisperem, výhoda nového modelu je hlavně v jednodušší architektuře. Pokud skládáte přepis, mluvčí a překlad z několika nástrojů, integrovaný model může ušetřit víc práce než procent chyb.
Je čeština podporována a co zatím chybí?
Ano, ale jen pro přepis: čeština je mezi 40 jazyky ASR, chybí ovšem mezi jazyky pro diarizaci a oficiální přesnost pro ni není zveřejněná.
Co je doloženo
Podle modelové karty model převede českou řeč na český text. Tím doložená podpora končí.
| Funkce | Čeština | Stav |
|---|---|---|
| Přepis (40 jazyků) | Ano | Uvedeno v modelové kartě |
| Diarizace (13 jazyků) | Ne | Čeština v seznamu chybí |
| Překlad (31 jazyků) | Nepotvrzeno | Z oznámení nelze ověřit |
| Dotazy nad audiem | Nepotvrzeno | Trénováno v angličtině |
| Oficiální WER | Chybí | Zveřejněna jen jiná čísla |
Údaje vycházejí z kolekce modelu na Hugging Face a oznámení NVIDIA.
Co je neověřeno
Diarizaci model podporuje ve 13 jazycích: arabštině, mandarínštině, angličtině, francouzštině, němčině, hindštině, italštině, japonštině, korejštině, portugalštině, ruštině, španělštině a thajštině. Čeština mezi nimi není. Model se o rozdělení českých mluvčích může pokusit, ale NVIDIA to nedeklaruje.
Zveřejněná čísla přesnosti, tedy 18,26 % DER a 32,4 % cpWER, pocházejí z vícejazyčného a anglického benchmarku podle technického popisu NVIDIA. O kvalitě českého přepisu nevypovídají, stejně jako o českých nářečních výrazech, odborné terminologii nebo spontánní řeči.
Jaký hardware je potřeba pro lokální provoz?
Doloženou konfigurací je jedna karta NVIDIA H100 s 80 GB paměti. Na běžné herní grafice podle oznámení model nepoběží.
Číslo „4 miliardy aktivních parametrů“ snadno svede k domněnce, že model má nároky malého 4B modelu. MoE ale šetří výpočet, ne paměť. Při každém kroku pracuje jen část expertů, jenže v paměti GPU musí být uložené všechny. U 30 miliard parametrů v BF16 (2 bajty na parametr) jde zhruba o 60 GB jen za váhy. K tomu se přičtou aktivace, KV cache a režie runtime.
Co z kolekce modelu a podkladů NVIDIA vyplývá:
- referenční konfigurace je 1× NVIDIA H100 80 GB,
- deklarované platformy pro jedno GPU sahají od Jetson AGX Thor a DGX Spark po datacentrové karty Blackwell, uvádí SiliconANGLE,
- k dispozici jsou varianty BF16, FP8 a NVFP4, přičemž nižší přesnost vyžaduje podporu v GPU i softwaru,
- přesné minimum VRAM pro jednotlivé varianty NVIDIA neuvádí.
Karta s 8 nebo 16 GB z oznámení nijak nevyplývá. Kvantizace sice nároky sníží, ale bez oficiálního údaje jde o experiment, ne o plánovatelnou konfiguraci.
Více mluvčích, hluk a překrývající se řeč
Model zvládne až osm mluvčích v hodinové nahrávce, ale samostatná čísla pro hluk, překryv řeči a přesně osm lidí NVIDIA nezveřejnila.
Doložená měření pocházejí z technického popisu NVIDIA:
- 18,26 % DER na vícejazyčné trati David AI, čímž model předstihl 14 hodnocených systémů včetně vlastního Nemotron 3 Diarization s 18,38 %,
- 32,4 % cpWER na anglickém VoiceArena Diarization-Bench, kde podíl vynechaných slov činil 8,32 % referenčních slov proti mediánu kolem 31 %.
DER (diarization error rate) sčítá záměny mluvčích, chybějící nebo nadbytečné úseky a chyby v hranicích řeči. Metrika cpWER navíc trestá chyby v samotném přepisu. Obě čísla popisují konkrétní testovací sady a nejsou zárukou pro hlučnou zasedačku, kde čtyři lidé mluví současně.
Stejně opatrně čtěte údaj o rychlosti. Kvantizovaná verze, kterou NVIDIA připravuje, má na jedné kartě RTX PRO 6000 Blackwell Server Edition zpracovat 100 hodin audia za méně než tři minuty, tedy více než 2 000× rychleji než reálný čas, uvádí NVIDIA. Jde o propustnost na konkrétním hardwaru, ne o kvalitu výstupu.
Kdy se lokální nasazení vyplatí a jak to ověřit
Lokální přepis nahrávek dává největší smysl tam, kde audio nesmí opustit firmu: interní porady, hovory se zákazníky, zdravotní nebo právní záznamy. Pro takové scénáře má open-weight model jasnou výhodu proti cloudovému API. Pokud tímto směrem uvažujete, podívejte se, jak fungují AI modely běžící on-premise a co obnáší jejich provoz.
Kdy se vyplatí
- Citlivá data, která nesmí do cloudu
- Potřebujete přepis, mluvčí a překlad v jednom kroku u podporovaných jazyků
- Zpracováváte velké objemy hotových nahrávek a máte datacentrové GPU
Kdy ne
- Stačí samotný přepis a máte funkční pipeline s Whisperem
- Potřebujete živý přepis, model neumí streamovat
- Chcete spolehlivou diarizaci českých mluvčích bez dalšího ověřování
Náš stack v nobig.deals stojí na Railway a OpenRouter a tento model v něm neprovozujeme. Uvádíme to jako fakt, ne jako zkušenost s nasazením.
Než model nasadíte do produkce, doporučujeme krátký, ale poctivý test na vlastních datech. Rozhoduje kvalita na vašich nahrávkách, ne pořadí v žebříčku. Pokud plánujete přepis zapojit přímo do produktu nebo interních procesů, navazuje na to integrace AI do vývoje.
Časté otázky
Je Nemotron 3.5 Transcribe zdarma a smí se použít komerčně?
Váhy jsou volně ke stažení na Hugging Face, takže za samotný model neplatíte. Podmínky komerčního použití určuje licence uvedená na modelové kartě v kolekci NVIDIA a tu si před nasazením přečtěte sami, protože se u jednotlivých modelů liší. Náklady vznikají hlavně na hardwaru, nebo na API, pokud model voláte přes DeepInfra.
Umí Nemotron 3.5 Transcribe přepis v reálném čase?
Neumí. Model nepodporuje streamování a NVIDIA ho určuje pro hotové nahrávky, jako jsou porady, hovory nebo rozhovory. Přepis tak získáte až po dokončení záznamu. Pro hlasové agenty nebo živé titulky je potřeba jiný model se streamovacím režimem. Údaj o rychlosti přes 2 000× reálného času popisuje dávkové zpracování, ne nízkou latenci.
Poběží Nemotron 3.5 Transcribe na běžné herní grafice?
Z oznámení to nevyplývá. Model má 30 miliard parametrů a v BF16 zabírají samotné váhy zhruba 60 GB, takže běžnou kartu s 8 nebo 16 GB výrazně přesahuje. Doložená konfigurace je jedna H100 s 80 GB, deklarované jsou i Jetson AGX Thor, DGX Spark a karty Blackwell. Kvantizované varianty FP8 a NVFP4 nároky snižují, přesné minimum ale NVIDIA neuvádí.
Dá se model dolaďovat na vlastní češtinu a odborné termíny?
NVIDIA pro úpravy modelu odkazuje na framework NVIDIA NeMo, jak uvádí The New Stack. Dolaďování vyžaduje vlastní přepsaná data a odpovídající GPU. Výsledek u češtiny si musíte změřit sami, protože oficiální česká čísla chybí.
Jak vyzkoušet model bez vlastního hardwaru?
Nejjednodušší cesta vede přes API u DeepInfra, kde model zavoláte bez vlastní GPU. Pro rozhodnutí o nasazení ale nestačí pár ukázek: pošlete do API reprezentativní vzorek vlastních českých nahrávek včetně hlučných a vícemluvčích a porovnejte výsledky s Whisperem.
