Nvidia, Third Intelligence et Tencent font tourner des modèles vocaux ouverts sur un seul GPU

La transcription et la traduction se vendaient surtout sous forme d'API cloud facturées à la minute. Les fournisseurs les tarifient à l'heure d'audio. Des poids ouverts qui tournent sur un seul GPU changent ce calcul. Une entreprise peut traiter ses enregistrements en interne et affiner le modèle sur son propre jargon, au lieu d'expédier des fichiers à un prestataire. Reste à savoir si la précision tient hors des bancs d'essai anglais et mandarin, là où les chiffres publiés sont les plus faibles.

Une seule des nouvelles sorties traite la parole en direct. L'interprète de Tencent fonctionne en flux ; le modèle de Nvidia travaille sur des enregistrements.

Ce que Nvidia a réellement livré

Nemotron 3.5 Transcribe assure la transcription, l'étiquetage des locuteurs, les horodatages et la traduction en une seule passe. Il couvre 40 langues et distingue jusqu'à huit locuteurs. Nvidia l'a construit comme un mélange d'experts. Les deux articles de presse comptent sa taille différemment : SiliconANGLE et MarkTechPost donnent des chiffres différents pour le total et pour les paramètres actifs. Le poids supplémentaire se trouve dans un module de prédiction multi-token et dans les composants audio, selon le rapport technique. Une instruction textuelle choisit le style de sortie pour chaque requête. L'entreprise présente le modèle comme un spécialiste de la transcription, pas comme un assistant généraliste.

Les poids sont livrés en BF16, en FP8 à environ 35 GB et en NVFP4 à environ 21 GB. Cette dernière version est assez petite pour tourner sur une RTX 5 090.

Nvidia affirme qu'un GPU Blackwell Server Edition en précision NVFP4 avec une compression du modèle au quart traite 100 heures d'audio en moins de trois minutes. Le modèle tourne aussi sur un ordinateur embarqué Jetson AGX Thor ou sur un poste DGX Spark, du cerveau de robot à la pièce de centre de données. Nvidia a étendu son jeu de données vocales Granary en v2 : 463 062 heures sur 48 langues et 16 corpus sources, contre 25 langues en v1. Ce jeu de données est distinct du mélange d'entraînement du modèle, note SiliconANGLE.

Les chiffres annoncés, et là où ils s'arrêtent

Nvidia annonce un taux d'erreur moyen sur les mots de 4,71 % sur neuf ensembles Open ASR anglais publics, contre 4,94 % pour le modèle ouvert suivant, Qwen3-ASR-1.7B. Sept systèmes commerciaux restent en tête de ce tableau, menés par OtterAI speech-v3.1 à 3,88 %. Sur sept ensembles multilingues, le modèle annonce 4,62 % de WER moyen contre 6,49 % pour Qwen3-ASR-1.7B, tandis qu'ElevenLabs Scribe v2 atteint 3,56 %. Tous ces chiffres sont déclarés par l'entreprise elle-même.

Le chiffre publié le plus faible est de 34,95 % de cpCER sur les réunions mandarin à champ lointain AliMeeting. À comparer avec la moyenne anglaise de 4,71 %.

SiliconANGLE rapporte une autre série de chiffres issus du même lancement. Il cite un taux d'erreur de 30,8 % en sortie de boîte, qui tombe à 20,8 % avec une invite soignée. Il cite aussi 11,8 % de taux d'erreur sur les mots au banc d'essai Eka Care de parole médicale indienne après affinage. Les deux comptes rendus ne concordent pas sur les taux d'erreur du même modèle, et aucun n'explique l'écart.

Un chiffre va dans l'autre sens. Fournir au modèle une liste d'entités a fait passer le taux d'erreur sur les entités nommées de 12,21 % à 2,20 % sur ContextASR-Bench.

Petits modèles, une seule langue

Haas-ja-v1.0 est un pari différent : 615 800 000 paramètres et une seule langue au lieu de 40. GIGAZINE rapporte qu'il a obtenu un meilleur score en transcription japonaise que le modèle commercial Gemini 3.5 transcribe, et le meilleur parmi les modèles ouverts évalués par ce média. Dans son propre test, 4 minutes 19 secondes d'audio ont été transcrites 0,32 seconde après la fin du téléversement, quelques noms propres demandant une correction manuelle. Les poids sont sur Hugging Face et le code d'inférence sur GitHub.

Le graphique de coûts de GIGAZINE place Haas-ja-v1.0 au coût d'inférence le plus bas parmi les modèles de précision comparable. La comparaison utilise les tarifs des API commerciales et une inférence sur H200 au Japon.

Hy-SimulMT de Tencent vise l'interprétation simultanée chinois-anglais, avec un décalage en flux d'environ trois secondes sur le banc d'essai long format RealSI. Tencent affirme que ses scores de qualité de traduction dépassent ceux des autres modèles open source et de quatre des cinq API commerciales de sa comparaison. La sortie comprend les poids, le logiciel d'inférence et les outils d'entraînement.

Sur les plateformes Apple, le paquet AnySpeechRecognizer enveloppe Parakeet TDT 0.6B v3 de Nvidia et Qwen3-ASR d'Alibaba. Parakeet couvre 25 langues européennes. Qwen3-ASR existe en 600 000 000 et 1 700 000 000 de paramètres et couvre 30 langues et 22 dialectes chinois.