Szkolenia AI dla firm Warsztaty na zadaniach Twojego zespołu: online 4–8 h albo stacjonarnie w całej Polsce Zobacz program →

Nemotron 3.5 Transcribe: otwarty model NVIDIA spisze polskie nagrania

NVIDIA udostępniła otwarty model transkrypcji w 40 językach, z polskim w najwyższej klasie jakości. Nagrania nie muszą opuszczać firmy.

29 października 2026 · Adam Bakalarz
Ilustracja: mikrofon, z którego fale dźwięku spływają na kartkę zapisaną liniami, obok zamknięta szafa serwerowa

W skrócie

  • 28 października 2026 r. NVIDIA opublikowała otwarty model Nemotron 3.5 Transcribe, który spisuje nagrania w 40 językach i tłumaczy z angielskiego lub na angielski w 31 językach.
  • Polski ma w tabeli językowej modelu najwyższy poziom jakości (Leading), ale bez rozpoznawania mówców: tę funkcję model oferuje w 13 językach.
  • Jedno nagranie może trwać do godziny; pełna wersja jest przygotowana pod kartę NVIDIA H100 z 80 GB pamięci, a wersja skwantyzowana NVFP4 działa według karty modelu m.in. na RTX 5090.

Stan na 29 października 2026

Co udostępniła NVIDIA

NVIDIA wydała darmowy do pobrania model, który zamienia nagraną mowę na tekst i działa na własnym serwerze firmy, bez wysyłania plików do zewnętrznej usługi. „Nemotron 3.5 Transcribe to model o otwartych wagach, sterowany poleceniami, który zamienia nagraną mowę w użyteczny tekst” – opisuje go NVIDIA na blogu Hugging Face. Model ma według NVIDIA 30 mld parametrów (karta modelu podaje 34 mld razem z enkoderem audio), z czego przy każdym tokenie pracuje ok. 4 mld (architektura mieszanki ekspertów, MoE). Wagi są na licencji OpenMDW-1.1 i można je pobrać z Hugging Face i NGC, a narzędzia do uruchomienia są na GitHubie.

Model przyjmuje pliki WAV, FLAC, MP3 i OGG do godziny długości. To narzędzie do nagrań, nie do napisów na żywo: karta modelu wprost mówi, że nie jest to usługa transkrypcji w czasie rzeczywistym. Razem z modelem NVIDIA wydała zbiór danych Granary v2: 463 062 godziny nagrań w 48 językach, wobec 25 języków w pierwszej wersji.

Polski w modelu: mocna strona i dwa ograniczenia

W tabeli językowej polski ma zaznaczoną transkrypcję, tłumaczenie z i na angielski oraz obsługę przełączania języków w jednej wypowiedzi, a jakość oznaczono najwyższym poziomem (Leading). Nie ma za to rozpoznawania mówców. W praktyce model spisze naradę, ale nie oznaczy, kto mówi, więc protokół z kilkoma osobami trzeba będzie uzupełnić ręcznie albo innym narzędziem.

Drugie ograniczenie to sprzęt. Pełna wersja jest przygotowana pod serwerową kartę H100 z 80 GB pamięci, a tabela zgodności w karcie modelu wymienia też m.in. A100 80 GB, L40S 48 GB (w precyzji FP8), komputer DGX Spark oraz, w opublikowanej wersji skwantyzowanej NVFP4, karty RTX PRO 6000 i RTX 5090. To nie jest model na typowego laptopa, jak mniejsze modele uruchamiane jako lokalny model AI w Ollamie, ale nie wymaga już serwerowni. Przykład (szacunek): urząd gminy nagrywa dwie sesje rady miesięcznie po trzy godziny. Przy limicie godziny na plik to sześć fragmentów do przetworzenia; ma to sens, gdy urząd lub jego dostawca IT ma komputer z odpowiednią kartą graficzną albo wynajmuje ją w chmurze w Europie.

Wyniki jakości podaje producent. Dla polskiego karta modelu podaje 3,81 proc. błędów słów (WER) na zbiorze testowym FLEURS, a w angielskim rankingu Hugging Face Open ASR model jest według NVIDIA pierwszy wśród modeli o otwartych wagach. Przed wdrożeniem warto sprawdzić model na własnych nagraniach, bo nagranie z sali obrad brzmi inaczej niż zbiór testowy. Więcej o tym, jak działają modele tego typu, w tekście o modelach językowych LLM.

Komentarz Adama Bakalarza Trener AI, założyciel instytut.ai

Do transkrypcji spotkań i dyktowania używam na co dzień Fireflies, które bardzo dobrze radzi sobie z językiem polskim. Podobnym narzędziem jest Wispr Flow.

Co to znaczy dla Ciebie

Jeśli nagrania z Twojej firmy lub urzędu zawierają dane osobowe i nie mogą trafiać do zewnętrznych usług, Nemotron 3.5 Transcribe daje drogę do transkrypcji po polsku we własnej infrastrukturze. Nie kupuj jednak sprzętu pod jeden model: najpierw zleć dostawcy IT test na kilku prawdziwych nagraniach i sprawdź jakość oraz czas pracy. Jeśli potrzebujesz protokołów z podziałem na mówców, ten model tego po polsku nie zrobi, a do napisów na żywo NVIDIA ma osobny model, Nemotron 3.5 ASR Streaming, ale polski radzi sobie w nim wyraźnie słabiej. Do codziennych notatek ze spotkań wygodniejsze bywają gotowe usługi w chmurze, o ile ich warunki przetwarzania danych pasują do Twojej firmy.

Najczęstsze pytania

Czy Nemotron 3.5 Transcribe obsługuje język polski?

Tak. W tabeli językowej modelu polski ma transkrypcję, tłumaczenie z i na angielski oraz najwyższy poziom jakości (Leading). Nie ma rozpoznawania mówców, które model oferuje w 13 innych językach.

Na jakim sprzęcie działa Nemotron 3.5 Transcribe?

Nie na typowym laptopie. Pełna wersja jest przygotowana pod serwerową kartę NVIDIA H100 z 80 GB pamięci, ale w wersji skwantyzowanej NVFP4 karta modelu wymienia też m.in. RTX 5090, RTX PRO 6000 i DGX Spark. Można go też uruchomić na wynajętej karcie w chmurze.

Czy model zrobi napisy na żywo?

Nie. Nemotron 3.5 Transcribe przetwarza nagrania do godziny długości i według NVIDIA nie jest usługą transkrypcji w czasie rzeczywistym.

Czytaj dalej

Zobacz też

Zobacz też

Przewodnik po temacie LLM, czyli duże modele językowe: jak działają i który model AI wybrać

Adam Bakalarz, założyciel instytut.ai
Autor

Adam Bakalarz

Szkoleniowiec AI · właściciel agencji NowoczesnyMarketing.pl · założyciel instytut.ai

Prowadzi agencję, w której ChatGPT, Claude i automatyzacje codziennie pracują dla klientów. Na szkoleniach i w kursach online uczy tego, co sam stosuje w pracy.

100+

firm na szkoleniach zamkniętych od 2025

21

kursów online

1 200+

zweryfikowanych opinii

50 000+

kursantów online