NVIDIA hat mit Nemotron 3.5 Transcribe ein neues offenes Speech-Modell veröffentlicht, das Transkription, Übersetzung und Sprechererkennung in einem einzigen Modell vereint. Das am 28. Oktober 2026 vorgestellte System führt das Open-ASR-Leaderboard von Hugging Face unter den Modellen mit offenen Gewichten an — und unterstützt Deutsch in der höchsten Qualitätsstufe. Parallel dazu erscheint mit Granary v2 einer der größten offenen Sprachdatensätze überhaupt.
Ein Modell für Transkription, Übersetzung und Sprechererkennung
Technisch kombiniert Nemotron 3.5 Transcribe einen Speech-Encoder mit einem hybriden Mamba-Transformer-Sprachmodell im Mixture-of-Experts-Design: Von insgesamt rund 30 Milliarden Parametern sind pro Verarbeitungsschritt nur etwa 4 Milliarden aktiv. Das Besondere: Das Modell wird per Textanweisung gesteuert. Nutzer können wortgetreue Transkripte mit Füllwörtern oder bereinigte Fassungen anfordern, Wort-Zeitstempel ausgeben lassen und sogar Schreibweisen von Fachbegriffen vorgeben.
Der Funktionsumfang ist beachtlich: Das Modell transkribiert 40 Sprachen, übersetzt 31 davon ins oder aus dem Englischen und ordnet in 13 Sprachen die Redeanteile einzelnen Sprechern zu. Verarbeitet werden Aufnahmen von bis zu einer Stunde Länge mit bis zu acht Sprechern. Eine Einschränkung gibt es: Nemotron 3.5 Transcribe arbeitet nur mit aufgezeichnetem Audio, Echtzeit-Streaming beherrscht es nicht.
Benchmarks: Spitzenplatz unter den offenen Modellen
- Open ASR Leaderboard (Hugging Face, Englisch): 5,33 Prozent durchschnittliche Wortfehlerrate — der beste Wert unter allen Open-Weight-Modellen
- Artificial Analysis: 2,8 Prozent Fehlerrate, nur knapp hinter Mistrals Voxtral Small (2,77 Prozent) — bei rund einem Sechstel der aktiven Parameter
- VoiceArena Diarization-Benchmark: Platz eins bei der Sprechererkennung mit 32,4 Prozent cpWER, deutlich vor kommerziellen Diensten wie Deepgram Nova-3
- Durchsatz: Laut NVIDIA verarbeitet eine einzelne RTX PRO 6000 Blackwell mit der angekündigten NVFP4-Quantisierung 100 Stunden Audio in unter drei Minuten
- NVIDIA Nemotron 3.5 Transcribe and Granary v2 — Hugging Face Blog (NVIDIA)
- Model Card: NVIDIA-Nemotron-3.5-Transcribe-30B-A4B — Hugging Face
- Nemotron 3.5 Transcribe: Nvidias offenes Modell vereint Transkription, Übersetzung und Sprechererkennung — The Decoder
- Voice AI in vogue: Nvidia releases new open transcription model — TechCrunch
Granary v2: 48 Sprachen Trainingsdaten und einfaches Fine-Tuning
Das Modell steht unter der OpenMDW-1.1-Lizenz und ist damit auch kommerziell frei nutzbar. Zusätzlich veröffentlicht NVIDIA den Sprachdatensatz Granary v2 mit 48 Sprachen und über 460.000 Stunden Audio samt der Werkzeuge zu seiner Erstellung. Wie wirksam eine Anpassung auf Fachvokabular ist, zeigt eine Fallstudie aus der Medizin: Nach einem Fine-Tuning von nur rund 14 GPU-Stunden sank die Fehlerrate bei medizinischen Diktaten unbekannter Sprecher von 22,44 auf 12,17 Prozent. Für den Betrieb werden vLLM und SGLang ab Tag eins unterstützt, dazu gibt es eine kostenlose Demo auf Hugging Face und gehostete Endpunkte bei Baseten, DeepInfra und Simplismart.
Was bedeutet das für Anwender in Deutschland?
Für deutsche Unternehmen ist die Meldung aus zwei Gründen relevant. Erstens: Deutsch gehört laut Sprachmatrix der Model Card zur höchsten Qualitätsstufe („Leading") — mit Transkription, Übersetzung und Mehrsprecher-Erkennung. Zweitens: Weil das Modell lokal läuft, bleiben sensible Aufnahmen wie Vorstandssitzungen, Patientendiktate oder Mandantengespräche komplett im eigenen Haus. Das löst die DSGVO-Kernprobleme von Cloud-Transkriptionsdiensten — Drittlandübermittlung, AV-Verträge und Datenabfluss in Trainingspipelines — auf einen Schlag, und die OpenMDW-Lizenz erlaubt den kommerziellen Einsatz ohne Lizenzkosten.
Die Hürde ist die Hardware: Als Referenz nennt NVIDIA eine H100 mit 80 GB Speicher, quantisierte Varianten für DGX Spark und Jetson AGX Thor sind erst angekündigt. Für den Einstieg auf normaler Hardware bleiben Whisper Large v3 oder das ressourcenschonende Faster-Whisper die praktikablere Wahl — ohne Sprecherzuordnung, aber auf jeder Gaming-GPU lauffähig. Mittelständler, die heute Protokolle oder Callcenter-Aufnahmen über US-Cloud-Dienste transkribieren, sollten das Modell über die kostenlose Demo testen und die Gesamtkosten einer eigenen GPU gegen laufende API-Gebühren rechnen. Mit Blick auf den EU AI Act gilt: Offene Modelle mit dokumentierten Trainingsdaten wie Granary v2 erleichtern die Transparenzpflichten erheblich.