Nemotron 3.5 Transcribe: Nvidias offenes Modell für lokale Protokolle
28. Oktober 2026
KI-generiert, redaktionell von 8thsense ausgewählt, geprüft und freigegeben. EU AI Act, Art. 50
Nvidia hat am 28. Oktober 2026 Nemotron 3.5 Transcribe veröffentlicht, ein offenes Spracherkennungsmodell, das Aufnahmen in 40 Sprachen verschriftlicht, bis zu acht Sprecher auseinanderhält und frei heruntergeladen werden darf. Damit wird eine Frage konkret, die viele Geschäftsführer bisher vertagt haben: Müssen Gesprächsprotokolle wirklich über einen Cloud-Diktierdienst laufen? Gerade in Pflege, Therapie und Beratung, wo vertrauliche Inhalte gesprochen werden, ist das mehr als eine technische Detailfrage. Ein genauer Blick zeigt aber auch, wo das Modell heute noch Grenzen hat.
Was das Modell kann
Nemotron 3.5 Transcribe kombiniert mehrere Aufgaben, für die bisher getrennte Werkzeuge nötig waren. Laut Nvidia transkribiert es 40 Sprachen, übersetzt 31 davon in oder aus dem Englischen und ordnet in 13 Sprachen die Aussagen einzelnen Sprechern zu. Deutsch ist laut Modellkarte bei Transkription, Übersetzung und Mehrsprecher-Erkennung dabei (Quelle: huggingface.co). Gesteuert wird das Modell über Textanweisungen, etwa „Protokoll mit Sprecherkennzeichnung” oder „Zusammenfassung der Entscheidungen”. Praktisch für Fachbetriebe: Man kann dem Modell eine Liste mit Fachbegriffen mitgeben, zum Beispiel Medikamentennamen, die es nur dann verwenden soll, wenn sie tatsächlich in der Aufnahme vorkommen (Quelle: the-decoder.com). Optional liefert es Zeitstempel und kann personenbezogene Daten im Text markieren.
Die Grenzen, die im Kleingedruckten stehen
Wer das Modell einplant, sollte einige Einschränkungen kennen, die in den Ankündigungen eher am Rand auftauchen:
Nur Aufzeichnungen: Das Modell verarbeitet fertige Aufnahmen bis zu einer Stunde Länge, keine Live-Gespräche (Quelle: techcrunch.com).
Fragen an die Aufnahme („Was wurde zur Medikation besprochen?”) sind laut Nvidia nur auf Englisch trainiert.
Funktionen variieren je Sprache. Sprechertrennung gibt es nur in 13 der 40 Sprachen.
Kontrolle bleibt Pflicht: Nvidia selbst empfiehlt, Namen, Sprecherwechsel und Antworten stichprobenartig zu prüfen.
Auch bei den Eckdaten gibt es Unschärfen. TechCrunch und Nvidias Blog nennen rund 30 Milliarden Parameter, von denen pro Schritt etwa 4 Milliarden aktiv sind. Die Modellkarte auf Hugging Face beziffert die Gesamtgröße inklusive Audio-Encoder auf 34 Milliarden (Quelle: Nvidia auf huggingface.co).
Welche Hardware realistisch nötig ist
TechCrunch berichtet, das Modell laufe auf einem einzelnen Chip, vom kompakten DGX Spark bis zum Rechenzentrums-Prozessor. Nvidias eigener Blogbeitrag ist hier vorsichtiger: Gemessen wurde auf einer RTX PRO 6000 Blackwell Server Edition, die 100 Stunden Audio in unter drei Minuten verarbeitete, und zwar mit einer noch nicht veröffentlichten, stark komprimierten Variante. Quantisierte Versionen für lokale Geräte wie DGX Spark oder Jetson AGX Thor sind laut Nvidia „in Kürze” verfügbar. Die Modellkarte nennt als Referenz für den Betrieb eine H100 mit 80 GB Speicher und listet auch die Consumer-Karte RTX 5090 in komprimierter Präzision. Übersetzt heißt das: Ein normaler Büro-PC reicht nicht. Nötig ist ein Rechner mit leistungsstarker Nvidia-Grafikkarte oder ein gemieteter GPU-Server bei einem Hoster, dem man vertraut.
Wie gut ist es wirklich?
Auf dem englischen Open ASR Leaderboard von Hugging Face liegt das Modell laut Nvidia mit einer durchschnittlichen Wortfehlerrate von 5,33 Prozent auf Platz eins der offenen Modelle. Bei sieben Sprachen im Mehrsprachen-Test kommt es auf 4,62 Prozent. Das sind Herstellerangaben auf Basis externer Ranglisten, unabhängige Tests mit deutschen Fachgesprächen fehlen noch. Aufschlussreich ist ein Beispiel aus Nvidias eigenem Blog: Bei Aufnahmen indischer Ärzte lag die Fehlerrate zunächst bei 30,8 Prozent. Ein präziserer Prompt senkte sie auf 23,8 Prozent, erst gezieltes Nachtraining mit Fachaufnahmen brachte sie auf 11,8 Prozent. Für das Nachtraining empfiehlt Nvidia mindestens 100 echte, geprüfte Aufnahmen als Testbasis. Fachvokabular kommt also nicht von allein, sondern erfordert Arbeit mit den eigenen Daten.
Was das für Unternehmen bedeutet
Für einen Pflegedienst, eine therapeutische Praxis oder eine Beratungsstelle ist der Reiz klar: Gesundheitsdaten gehören nach der DSGVO zu den besonders geschützten Kategorien, und eine Transkription, die den eigenen Server nie verlässt, entschärft viele Fragen zu Auftragsverarbeitung und Drittlandtransfer. Die Lizenz (OpenMDW-1.1) erlaubt laut Modellkarte ausdrücklich die kommerzielle Nutzung. Trotzdem ist ein heruntergeladenes Modell noch kein fertiges Werkzeug. Damit aus einer Aufnahme ein brauchbares Fallprotokoll wird, braucht es Aufnahmegeräte, einen sicheren Ablageweg, die Übergabe an Dokumentations- oder Pflegesoftware und eine klare Regel, wer das Ergebnis prüft. Genau an diesen Schnittstellen scheitern viele Pilotprojekte, nicht am Modell selbst.
Ein sinnvoller Einstieg ist klein: ein Anwendungsfall, etwa Teambesprechungen oder Aufnahmegespräche, zehn bis zwanzig echte Aufnahmen, die mit der bisherigen Lösung verglichen werden. Erst wenn die Fehlerrate bei den eigenen Fachbegriffen stimmt, lohnt sich die Investition in Hardware oder einen dedizierten Server. Wer Transkription ohnehin als Teil einer größeren Prozessautomatisierung denkt, etwa mit automatischer Zusammenfassung und Ablage in der Akte, sollte die Integration von Anfang an mitplanen. Wer dagegen nur gelegentlich ein Meeting mitschreiben lässt, fährt mit einem seriösen europäischen Cloud-Dienst und sauberem Vertrag vorerst günstiger.