NVIDIAAudiomodellOffene Gewichte
NVIDIA Nemotron 3.5 Transcribe
Zusammenfassung
Nemotron 3.5 Transcribe ist ein offenes Sprachmodell, das Audioaufnahmen mit Textanweisungen verbindet. Ein paralleler Audio- und Sprecherencoder speist einen Mamba-2- und Transformer-Mixture-of-Experts-Decoder mit 34 Milliarden Gesamtparametern und rund 4,3 Milliarden aktiven Parametern. NVIDIA nennt 40 Transkriptionssprachen und Aufnahmen bis zu einer Stunde.
Je nach Anweisung liefert das Modell verbatim oder normalisierte Transkripte, Sprecherzuordnung, Zeitstempel, Übersetzungen, Sprachidentifikation und Antworten auf Fragen zum Audio. Die technischen Ergebnisse reichen von Open-ASR-Wortfehlerraten bis zu sprecherbezogenen und kontextuellen Messungen. Quantisierung, Benchmark-Aufbau und Hardware verändern die Messwerte; der Bericht trennt deshalb BF16, FP8, NVFP4 und bedingte DFlash2-Tests.
Alle Benchmark-Werte
Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.
Alle 862 veröffentlichten Benchmark-Werte anzeigen
Seite 1 von 72
Messungen ohne passende Vergleichswerte
Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.
VoiceCodeBench, CTEM exact entity match (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 88.53
- Bewertung
- 88.53
- Messgröße
- CTEM exact entity match
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 8
- Kategorie
- entity-transcription
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; VoiceCodeBench English batch evaluation; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier. VoiceCodeBench-Batchmodus; formatinvariante WER.
VoiceCodeBench, TSR recordings with all entities correct (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 59.33
- Bewertung
- 59.33
- Messgröße
- TSR recordings with all entities correct
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 8
- Kategorie
- entity-transcription
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; VoiceCodeBench English batch evaluation; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier. VoiceCodeBench-Batchmodus; formatinvariante WER.
HALAS segments with insertions (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 40
- Bewertung
- 40
- Messgröße
- Segments with insertions
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 8
- Kategorie
- hallucination
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; HALAS Earnings-22 segments; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier. Automatische Messung von Einfügungen im Testsatz.
Multilingual Open ASR Leaderboard, Hindi, public set, OIWER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 9.15
- Bewertung
- 9.15
- Messgröße
- OIWER
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 9
- Kategorie
- multilingual-asr
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; Hindi, public set, OIWER; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier. Je Sprache werden FLEURS, Common Voice und MLS gemittelt, soweit verfügbar; Hindi nutzt das öffentliche Monsoon-Set mit orthografisch informierter WER. Der Mittelwert ist ungewichtet.
CS-FLEURS read, 14 language pairs, MER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 31.06
- Bewertung
- 31.06
- Messgröße
- MER
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 10
- Kategorie
- code-switched-asr
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; CS-FLEURS read, 14 language pairs; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier.
CS-FLEURS MMS-TTS, 45 language pairs, MER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 66.57
- Bewertung
- 66.57
- Messgröße
- MER
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 10
- Kategorie
- code-switched-asr
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; CS-FLEURS MMS-TTS, 45 language pairs; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier.
CS-FLEURS XTTS 1, 16 language pairs, MER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 28.1
- Bewertung
- 28.1
- Messgröße
- MER
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 10
- Kategorie
- code-switched-asr
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; CS-FLEURS XTTS 1, 16 language pairs; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier.
CS-FLEURS XTTS 2, 60 language pairs, MER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 41.68
- Bewertung
- 41.68
- Messgröße
- MER
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 10
- Kategorie
- code-switched-asr
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; CS-FLEURS XTTS 2, 60 language pairs; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier.
ASCEND Mandarin-English, MER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 18.74
- Bewertung
- 18.74
- Messgröße
- MER
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 10
- Kategorie
- code-switched-asr
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; ASCEND Mandarin-English; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier.
ContextASR-Bench Speech English, no context, NE-WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 12.21
- Bewertung
- 12.21
- Messgröße
- NE-WER
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 11
- Kategorie
- contextual-asr
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; ContextASR-Bench Speech English, no context; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier.
ContextASR-Bench Speech English, no context, NE-FNR (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 14.99
- Bewertung
- 14.99
- Messgröße
- NE-FNR
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 11
- Kategorie
- contextual-asr
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; ContextASR-Bench Speech English, no context; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier.
ContextASR-Bench Speech English, coarse domain, NE-WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 12.26
- Bewertung
- 12.26
- Messgröße
- NE-WER
- Einheit
- %
- Benchmark-Version
- NVIDIA report 2026-10-28, Table 11
- Kategorie
- contextual-asr
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- NVIDIA technical report
- Status
- active
- Abrufdatum
- 2026-10-29
- Methodik
- Vom Anbieter veröffentlichter Wert. NVIDIA-Bericht; freigegebener Nemotron-3.5-Transcribe-Checkpoint nach RL; ContextASR-Bench Speech English, coarse domain; BF16; Standardkonfiguration der Genauigkeitsmessungen: vLLM auf einer H100-GPU, MTP K=2 und benchmarkspezifische Prompts/Auswertung. Abweichungen der Aufgabe stehen hier.
Seite 1 von 72
Alle technischen Daten
Architektur
- Architektur
- 34 Mrd. Gesamtparameter einschließlich Audioencoder, rund 4,3 Mrd. aktive Parameter; Mamba-2- und Transformer-MoE mit parallelem Audio- und Sprecherencoder
- Quelle: Architektur
Ein- und Ausgabe
- Sprachen
- 40 unterstützte Transkriptionssprachen; Benchmark-Ergebnisse decken je nach Aufgabe unterschiedliche Teilmengen ab
- Quelle: Sprachen
Lizenz und Zugang
Weitere Angaben
- Aufgaben
- Verbatim- und Schriftform-Transkription, kontextuelle und sprecherzugeordnete Transkription, Rich Transcription, Sprachübersetzung, Sprachidentifikation und Audio-Fragen
- Quelle: Aufgaben
- Checkpoint-Formate
- BF16, FP8, NVFP4 und GGUF. Der optionale DFlash2-Draft ist ein separates Modell.
- Quelle: Checkpoint-Formate
- Messkonfiguration
- Die Hauptergebnisse verwenden den freigegebenen BF16-Checkpoint mit vLLM und zwei MTP-Draft-Token auf einer H100-GPU. Berichtete Werte enthalten benchmarkspezifische Datensätze, Prompts und Auswertungsprotokolle.
- Quelle: Messkonfiguration
- Maximaler Durchsatz
- Bis zu 2.238 Sekunden Audio je Sekunde Wandzeit mit NVFP4 und DFlash2 auf einer RTX PRO 6000 Blackwell. Das optimierte NIM-Serving ist nicht Teil der am Veröffentlichungstag ausgelieferten offenen vLLM-Integration.
- Quelle: Maximaler Durchsatz
- Im Bericht getesteter Checkpoint
- Die Hauptergebnisse nutzen den freigegebenen Checkpoint nach Reinforcement Learning. Für Transkription, Übersetzung und Sprachidentifikation ist Reasoning deaktiviert und die Ausgabe wird greedy decodiert.
- Quelle: Im Bericht getesteter Checkpoint
- Testprotokoll für englische Spracherkennung
- Abschnitt 4.2 nutzt den öffentlichen Leaderboard-Teil mit neun englischen Testsets, bereinigten aktuellen AMI-, Earnings-22-, GigaSpeech- und VoxPopuli-Versionen sowie einem ungewichteten Mittelwert.
- Quelle: Testprotokoll für englische Spracherkennung
- Messaufbau für spekulative Decodierung
- Der Bericht misst das freigegebene MTP-Modul und das separate DFlash2-Draft-Modell für spekulatives Decoding. DFlash2 ist nicht der Transkriptionscheckpoint.
- Quelle: Messaufbau für spekulative Decodierung
- Nicht veröffentlichte Statistikangaben
- Die geprüften Berichtstabellen nennen Werte und Testsets, veröffentlichen für die meisten Genauigkeitsmessungen aber keine Konfidenzintervalle oder Stichprobengrößen je Testset.
- Quelle: Nicht veröffentlichte Statistikangaben
Quellen und Datenstand
Benchmarkquellen im Überblick
Welche unabhängigen Auswerter dieses Modell getestet haben. Das ist Abdeckung, keine Qualitätsrangliste.
| Auswerter | Testreihen | Gesamtindizes | Erfasste aktive Messwerte |
|---|---|---|---|
| Artificial Analysis | 3 | 1 | 10 |
Ohne Herstellerangaben sowie historische oder strittige Ergebnisse; diese stehen gekennzeichnet bei den Einzelwerten. 6 Messwerte sind noch keiner Testreihe zugeordnet.
| Art | Nachweis und Datenstand |
|---|---|
| Recherchestand | Recherchestand 29. Oktober 2026. 63 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell. |
| Nicht veröffentlicht | Konfidenzintervalle der Genauigkeitstabellen Hinweis Der Bericht veröffentlicht für die Genauigkeitstabellen keine Konfidenzintervalle. |
| Nicht veröffentlicht | Stichprobengrößen je Tabellenzeile Hinweis Für die meisten Genauigkeitszeilen ist N nicht angegeben. Wo der Bericht konkrete Stichprobenzahlen nennt, wurden sie übernommen; fehlende Werte bleiben unbekannt. |
| Nicht veröffentlicht | GPU-Konfiguration der MTP-Head-Finetuning-Auswertung Hinweis Anhang C.2 und Tabelle 25 nennen die GPU-Konfiguration dieses Head-only-Finetuning-Vergleichs nicht. Die Acht-H100-Konfiguration ist ausdrücklich für Anhang C.1/Tabelle 24 angegeben und wird hier nicht angenommen. |
| In den geprüften Quellen nicht gefunden | Vals-Zeilen in erfassten Payloads Hinweis Neun vollständige Vals-Payloads vom 28. Oktober wurden geprüft; keine exakte Modell-ID oder eindeutige Modellbezeichnung. Gilt nur für diese gespeicherten Benchmarks. |
| Ungeklärt | Nicht erfasste Arena Code-/Speech-Ranglisten Hinweis Erfasst wurden Text, Agent einschließlich Code/Chat/Work sowie zwölf WebDev-Ansichten. Eine separate allgemeine Code- und eine Arena-Speech-Rangliste wurden nicht als vollständige Tabelle gesichert. |
| Ungeklärt | VoiceArena exakte Nemotron-Releasezeile Hinweis Das aktuelle VoiceArena-STT-Frontend zeigt eine Zeile NVIDIA / Nemotron 3.5 ASR. Die Capture belegt jedoch nicht, dass es exakt Nemotron 3.5 Transcribe 30B-A4B ist. Der Wert wird deshalb nicht zugeordnet. |
| Weitere Quelle | NVIDIA Nemotron 3.5 Transcribe project page (abgerufen 29. Oktober 2026) · NVIDIA Nemotron 3.5 Transcribe project page · Redaktionelle Beschreibung geprüft am 29. Oktober 2026 |
| Weitere Quelle | Nemotron 3.5 Transcribe technical report (abgerufen 29. Oktober 2026) · Nemotron 3.5 Transcribe technical report · Redaktionelle Beschreibung geprüft am 29. Oktober 2026 |
| Weitere Quelle | NVIDIA Nemotron 3.5 Transcribe model card (abgerufen 29. Oktober 2026) · NVIDIA Nemotron 3.5 Transcribe model card · Redaktionelle Beschreibung geprüft am 29. Oktober 2026 |
| Weitere Quelle | Artificial Analysis (abgerufen 29. Oktober 2026) |
| Weitere Quelle | Modellmetadaten (abgerufen 29. Oktober 2026)1234 |