NVIDIA Nemotron 3.5 Transcribe, açık ağırlıklı ASR modelleri saatte yaklaşık 12 sentle liderliğini sürdürüyor

NVIDIA ne yayınladı

NVIDIA, Nemotron 3.5 Transcribe'i (tam adıyla NVIDIA-Nemotron-3.5-Transcribe-30B-A4B) 28 Ekim 2026'da yayınladı; bu bilgiye ertesi gün yayımlanan iki dev.to rehberinde yer veriliyor. Model, hibrit bir Mamba-2 ve Transformer mixture-of-experts dil modeli üzerine inşa edilmiş, 600 milyon parametreli bir ASR encoder ve bağlı bir konuşmacı encoder'ı içeren açık ağırlıklı bir konuşmadan metne modeli. Sistem toplam 34 milyar parametreye sahip ancak token başına yalnızca yaklaşık 4,3 milyarı aktif; modelin tek bir GPU'ya sığmasının nedeni de bu. Ağırlıklar, ticari kullanıma izin veren OpenMDW-1.1 lisansıyla yayınlanıyor.

Tek bir checkpoint ve tek bir çağrıyla model; 40 dilde transkripsiyon, CTC hizalama başlığı aracılığıyla kelime düzeyinde zaman damgaları, segment zamanlamaları, sekiz konuşmacıya kadar konuşmacı atfı, 31 dilde İngilizceye ve İngilizcefrom çeviri, algılanan dil ve yalnızca İngilizce ses için soru yanıtlama döndürüyor. Model, 65.536 tokenlık bir bağlam içinde bir saate kadar kayıtlı dosyaları kabul ediyor. Her iki rehberde de yinelenen bir uyarı var: Bu, kayıtlı dosyalar için çevrimdışı bir modeldir; canlı mikrofon akışları için değildir.

Doğruluk ve liderlik tablosundaki konum

Yayın günü güncellenen Hugging Face Open ASR Leaderboard'da model yüzde 5,33 ortalamalık bir kelime hata oranıyla 61 girişin arasında dokuzuncu sırada yer alıyor. Üstündeki tüm modeller — dev.to yazılarına göre bunların arasında ElevenLabs Scribe v2, Azure Speech ve Zoom Scribe v2 Pro da var — kapalı ticari API'ler. İndirilebilir ağırlıklara sahip modeller arasında daha yüksekte olan hiçbir model yok. OpenAI'nin whisper-large-v3 modeli yüzde 7,16 WER ile 41. sırada bulunuyor.

NVIDIA'nın kendi model kartı daha iyi görünen yüzde 4,71'lik bir ortalama bildiriyor; ancak dev.to rehberi, liderlik tablosundaki rakamın dokuz genel test kümesinin yanına iki özel test kümesini de dahil ettiğini belirtiyor. Dolayısıyla iki sayı da dürüst, sadece farklı karışımları ölçüyorlar.

Fiyat ve erişim

Barındırılan çıkarım (inference) en ucuz olarak DeepInfra'da dakikada 0,002 dolar — saatlik ses için yaklaşık 12 sent ya da 1.000 saat için kabaca 120 dolar. Dev.to API rehberi bunu, dakikada 0,006 dolar ücretli, yani üç kat pahalı OpenAI'nin Whisper API'siyle karşılaştırıyor. OpenRouter da modeli saniyede 0,000033 dolardan listeliyor; ancak 29 Ekim 2026 itibarıyla DeepInfra tek hizmet sağlayıcısı olduğundan bir failover yolu bulunmuyor. Yoğun bir saatlik konuşma yaklaşık 20.000 çıktı token'ı üretebiliyor; bu yüzden istemciler uzun timeout değerleri ayarlamalı.

Ücretsiz yol da üç tane var. NVIDIA, Hugging Face üzerinde giriş gerektirmeyen, karaoke, podcast ve film altyazısı sekmeleri içeren herkese açık bir demo Space çalıştırıyor. Topluluk Spaces'leri aynı checkpoint'i sarıyor. En önemlisi, self-hosting donanım dışında hiçbir şeye mal olmuyor: referans BF16 kurulumu bir H100 80GB gerektiriyor (H200, A100 80GB, B200, GB200 ve DGX Spark da uygun), FP8 listeye L40S'yi ekliyor ve bir NVFP4 checkpoint tüketici sınıfı RTX 5090 ya da RTX PRO 6000 Blackwell üzerinde çalışıyor. RTX 4090 gibi daha eski 24 GB kartlar uyumluluk listesinde yok. NVIDIA, tek bir RTX PRO 6000 Blackwell'in NVFP4 derlemesiyle 100 saatlik sesi üç dakikanın altında işleyebildiğini iddia ediyor; ancak dev.to rehberi bu rakamın henüz açık kaynak olmayan serving optimizasyonlarına dayandığı konusunda uyarıyor. Üretim amaçlı self-hosting için rehberler, NeMo Speech eklentisiyle birlikte vLLM 0.32.0'ı gösteriyor.

Prompt ile yönlendirilebilen transkripsiyon

Klasik ASR API'lerinin aksine model düz bir dille talimat kabul ediyor: dolgu sözcükleriyle birebir yazım, temizlenmiş okunabilir metin, kararlı konuşmacı dönüşü etiketleri ya da çeviri, ayrıca isimler, ürünler ve jargon için bağlam terimleri. NVIDIA, bağlam prompt'unun ContextASR-Bench üzerindeki WER'yi yüzde 3,33'ten yüzde 1,71'e, Earnings22 kümesinde ise yüzde 12,54'ten yüzde 9,58'e düşürdüğünü raporluyor — kazanç çağrıları için önerilen yaklaşım, sesin yanına şirket isimlerini, borsa kodlarını ve yönetici isimlerini geçmek.

Neden önemli

Open ASR liderlik tablosunun zirvesi hâlâ kapalı ticari bölge; ancak en iyi indirilebilir model artık genel ilk onun içinde yer alıyor ve ciddi transkripsiyon iş yüklerini uzun süredir ücretli API'lere iten boşluğu daraltıyor. Geliştiriciler için bu, ekonomiyi değiştiriyor: kelime düzeyinde zaman damgaları, sekiz konuşmacılı diarizasyon ve 40 dilde transkripsiyon, OpenAI'nin barındırılan Whisper fiyatının üçte birine ya da ticari gömmeye izin veren bir lisansla kendi donanımında fiilen ücretsize geliyor. İzlenmesi gereken takas ise tedarik yoğunlaşması. Tek bir barındırma sağlayıcısı ve H100 sınıfı bir GPU'dan başlayan tam hassasiyetli donanım gereksinimleriyle, modern hızlandırıcı donanımı olmayan herkes DeepInfra'nın saatte 12 sentlik oranının korunmasına güveniyor.