NVIDIA Nemotron 3.5 Transcribe, Open ASR 리더보드 WER 5.33% 달성

• NVIDIA가 Nemotron 3.5 Transcribe와 Granary v2 데이터 파이프라인을 Hugging Face 및 ModelScope에 공개함
• Hugging Face Open ASR 리더보드 영어 부문에서 평균 WER 5.33% 기록, 오픈웨이트 모델 중 1위 달성함
• Speech 인코더와 Hybrid Mamba-Transformer MoE LLM 아키텍처 적용, 총 30B 파라미터 중 토큰당 약 4B 활성 파라미터 사용함
• NVIDIA NeMo Curator 파이프라인 기반 Granary v2는 48개 언어, 463,062시간 데이터로 확장함

Performance and Capabilities

• 40개 언어 전사, 13개 언어 화자 분리, 영어와 31개 언어 간 번역 지원함
• 최대 1시간 길이 녹음 파일과 최대 8명 화자 처리 가능함
• David AI DAI-ASR-I18N에서 DER 18.26%, VoiceArena Diarization-Bench에서 cpWER 32.4% 성능 기록함

Adaptation and Deployment

• NeMo Speech 도구로 파인튜닝 시 홀드아웃 화자 기반 의료 사례 연구에서 WER 45.8% 감소함
• NVIDIA RTX PRO 6000 Blackwell Server Edition GPU 1개에서 NVFP4 정밀도로 100시간 오디오 처리에 3분 미만 소요함
• Jetson AGX Thor, DGX Spark 등 단일 GPU 환경에서 vLLM 또는 NeMo-Speech.cpp로 배포 가능함
• 녹음된 오디오에만 한정, 실시간 스트리밍 미지원함