NVIDIA, 오픈 웨이트 Nemotron 3.5 Transcribe 출시…Artificial Analysis 오픈 웨이트 음성-텍스트 모델 공동 1위

NVIDIA의 Nemotron 3.5 Transcribe는 프롬프트 입력이 가능한 새로운 오픈 웨이트 음성-텍스트 모델로, 활성 파라미터 약 4B 규모의 30B 혼합 전문가 모델입니다. NVIDIA는 단일 체크포인트로 40개 언어의 전사, 화자 식별, 번역, 문맥 기반 프롬프트 입력, 오디오 이해를 처리할 수 있으며, 가중치와 데이터, 레시피를 공개한다고 밝혔습니다. Hugging Face에서 이용할 수 있으며 라이브 데모도 제공됩니다.

Artificial Analysis가 보고한 결과(자체 측정치):

• AA-WER Index에서 2.8%를 기록해 Mistral의 Voxtral Small과 함께 오픈 웨이트 모델 중 공동 1위에 올랐고, Thinking Machines의 Inkling(3.5%)보다 앞섰습니다. NVIDIA의 이전 최고 기록인 Canary Qwen 2.5B(4.3%)보다 개선된 수치입니다.
• 음성 에이전트 대화 데이터셋인 AA-AgentTalk에서는 1.8%를 기록했습니다. Voxtral Small은 2.3%입니다.
• 활성 파라미터가 6배 적은데도(4B 대 24B) Voxtral Small과 정확도가 같습니다. 비슷한 크기의 다른 오픈 웨이트 모델은 WER이 약 4%입니다.
• DeepInfra 호스팅 엔드포인트에서는 Speed Factor 75배로 실행됩니다(오디오 1분을 1초 이내에 처리). 비용은 오디오 1,000분당 $2.00입니다.

NVIDIA의 주장:

• Hugging Face Open ASR English 리더보드에서 오픈 웨이트 모델 중 1위를 기록했으며, 평균 단어 오류율은 5.33%입니다.
• 14개 시스템을 비교한 VoiceArena의 화자 분리+ASR 평가와 David AI의 다국어 화자 분리 벤치마크에서 1위를 차지했습니다.
• 의료 ASR 사례 연구에서 Granary v2 오픈 음성 데이터와 NeMo Speech 도구를 사용해 미세 조정한 결과, 보류된 화자 대상 단어 오류율이 최적의 프롬프트 대비 45.8% 감소했습니다.

Artificial Analysis의 게시물은 10월 28일까지 X에서 64점을 받았고, NVIDIA의 발표는 10월 29일까지 6,612점과 댓글 230개를 기록했습니다.