Nemotron 3.5 Transcribe : NVIDIA publie un modèle ouvert de transcription qui parle français

Transcrire une réunion, sous-titrer une vidéo, convertir une consultation médicale en compte rendu : la reconnaissance vocale fait partie des usages les plus concrets de l’intelligence artificielle. NVIDIA, surtout connu pour ses puces, y ajoute un nouvel outil. Le 28 octobre 2026, le groupe a publié Nemotron 3.5 Transcribe, un modèle de transcription en accès ouvert qui prend en charge 40 langues, dont le français, et revendique des performances parmi les meilleures du moment.

Ce que sait faire Nemotron 3.5 Transcribe

Le modèle ne se contente pas de convertir la parole en texte. Selon sa fiche publiée sur Hugging Face, la plateforme de partage de modèles d’IA, il peut :

• transcrire un enregistrement, mot pour mot ou sous une forme rédigée ;
• distinguer les locuteurs, jusqu’à huit selon TechCrunch, et horodater chaque mot ;
• traduire la parole vers l’anglais et depuis l’anglais, pour une trentaine de langues ;
• identifier la langue parlée, y compris quand un locuteur passe d’une langue à l’autre ;
• répondre à des questions sur le contenu d’un enregistrement, une fonction évaluée seulement en anglais.

La distinction des locuteurs, appelée diarisation, est particulièrement utile pour les comptes rendus de réunion ou les entretiens : elle permet de savoir qui a dit quoi, sans avoir à réécouter l’enregistrement. L’horodatage de chaque mot facilite quant à lui la création de sous-titres ou la navigation dans un long enregistrement. Il accepte des enregistrements allant jusqu’à une heure. Les étiquettes de locuteurs permettent de distinguer les personnes au sein d’un enregistrement, mais pas de les identifier nommément, précise la fiche.

Des performances élevées en français

La qualité d’un modèle de transcription se mesure par son taux d’erreur sur les mots, c’est-à-dire la proportion de mots mal transcrits, oubliés ou ajoutés. Plus il est bas, meilleur est le modèle. NVIDIA classe le français parmi les langues à qualité « de premier plan ».

Un taux de 3 % correspond à environ trois mots erronés sur cent, un niveau qui rend une transcription lisible mais impose encore une relecture pour un usage professionnel. Le score nettement plus élevé sur les enregistrements à plusieurs voix montre que les conversations où les gens se coupent la parole restent un exercice difficile. Ces chiffres sont ceux de NVIDIA et devront être confirmés par des évaluations indépendantes.

Quel matériel faut-il ?

Malgré son nom, qui évoque 30 milliards de paramètres, la fiche du modèle annonce environ 34 milliards de paramètres au total, dont seulement 4,3 milliards sollicités pour chaque traitement. Il repose sur une architecture dite de mélange d’experts, qui n’active qu’une partie du modèle à la fois, couplée à un encodeur audio chargé d’analyser le son.

La cible principale est une carte graphique professionnelle H100 de 80 Go, mais le modèle est proposé en plusieurs formats de précision, dont des versions compressées, et fonctionne sur plusieurs générations de puces NVIDIA, des cartes A100 aux plus récentes. Il tourne sous Linux, ou sous Windows via le sous-système WSL2. Selon TechCrunch, NVIDIA cite aussi ses ordinateurs compacts pour l’IA, comme le DGX Spark, parmi les machines compatibles. Ce n’est donc pas un outil pour un ordinateur portable ordinaire, mais pour une entreprise ou un développeur équipé.

Les limites à connaître

Le modèle est conçu pour des enregistrements, pas pour la transcription en direct : il ne convient pas pour sous-titrer une conférence en temps réel. Il n’est pas garanti au-delà d’une heure d’audio. La fiche signale aussi que la génération peut, rarement, tourner en boucle, et recommande un contrôle après traitement. Le niveau de prise en charge varie selon les langues et les tâches : certaines fonctions, comme les questions sur le contenu audio, n’ont été évaluées qu’en anglais.

La licence, baptisée OpenMDW-1.1, autorise un usage commercial et non commercial, un atout pour les entreprises qui veulent intégrer le modèle à leurs produits.

Obtenir une bonne transcription : quelques conseils

Quel que soit l’outil utilisé, la qualité d’une transcription automatique dépend d’abord de celle de l’enregistrement. Quelques précautions améliorent nettement le résultat :

• placer le micro près des personnes qui parlent, plutôt qu’un seul appareil au bout d’une grande table ;
• limiter les bruits de fond, comme la climatisation, la vaisselle ou la circulation ;
• éviter que les participants parlent en même temps, la principale source d’erreurs dans les réunions ;
• relire les noms propres, les chiffres et les termes techniques, que les modèles transcrivent le plus souvent de travers ;
• conserver l’enregistrement d’origine le temps de vérifier les passages importants.

Pour un compte rendu officiel, un procès-verbal ou un document médical, une relecture humaine reste indispensable, même avec un taux d’erreur de quelques pour cent : un seul mot mal transcrit, comme une négation ou un dosage, peut changer le sens d’une phrase.

À qui s’adresse ce modèle ?

Nemotron 3.5 Transcribe vise d’abord les entreprises et les développeurs qui construisent des outils de transcription, de sous-titrage, d’analyse d’appels de service client ou de comptes rendus de réunion. NVIDIA met en avant les réunions professionnelles et la transcription médicale. Pour une entreprise française, la possibilité d’héberger elle-même un modèle performant en français, sans dépendre d’un service en ligne, présente un intérêt évident pour la confidentialité.

Les particuliers, eux, en profiteront surtout indirectement, à travers les applications qui l’intégreront. Le marché des assistants de réunion est en pleine expansion, comme l’a montré la levée de fonds de 320 millions de dollars d’Otter.ai, et la concurrence s’intensifie sur les modèles vocaux, du français Mistral AI avec sa gamme Voxtral 3 à Block avec son modèle conversationnel Dessa.

NVIDIA ne vend plus seulement des puces

En publiant des modèles ouverts de plus en plus performants, NVIDIA poursuit une stratégie claire : enrichir l’écosystème qui fonctionne sur ses processeurs. Plus les développeurs utilisent des modèles optimisés pour ses puces, plus ils ont de raisons d’acheter son matériel. La voix devient un terrain stratégique, car elle est l’interface naturelle des futurs assistants et agents d’IA. Avec un modèle ouvert, multilingue et performant en français, NVIDIA offre aux entreprises européennes une alternative aux services de transcription en ligne, à condition de disposer du matériel adapté et des compétences pour le déployer.