Компания NVIDIA представила Nemotron 3.5 Transcribe — открытую модель, объединяющую функции транскрибации, перевода, идентификации спикеров и ответов на вопросы по аудио. Модель поддерживает 40 языков и способна обрабатывать записи длительностью до часа с участием до восьми спикеров. Согласно данным компании, модель занимает лидирующие позиции в ряде бенчмарков, включая Hugging Face Open ASR и VoiceArena, благодаря гибридной архитектуре Mamba-Transformer. Вместе с моделью выпущен набор данных Granary v2, содержащий 463 062 часа аудиозаписей на 48 языках. Этот ресурс предназначен для дообучения моделей с помощью инструментов NeMo Speech. В ходе тестирования на медицинских данных применение Granary v2 позволило снизить частоту ошибок распознавания слов (WER) на 45,8% по сравнению с базовой моделью. Nemotron 3.5 Transcribe доступна на платформах Hugging Face и ModelScope, а также поддерживает развертывание через vLLM.